Machine Learning on Google Cloud
Solicitar Info|
27 nov 2023 - 01 dic 2023 | Machine Learning on Google Cloud |
|
|
27 nov 2023 - 01 dic 2023 | Machine Learning on Google Cloud |
Acerca de este curso
TASTE OF TRAINING
Este curso le enseña cómo crear modelos Vertex AI AutoML sin escribir una sola línea de código, crear modelos BigQuery ML mediante el uso de SQL básico, crear trabajos de entrenamiento personalizados de Vertex AI que implementa usando contenedores, con conocimiento mínimo de Docker, usar Feature Store para la administración de datos y gobernanza, ingeniería de características para la mejora del modelo, determine las opciones de preprocesamiento de datos adecuadas para su caso de uso, escriba modelos de aprendizaje automático distribuidos que se escalen en TensorFlow y aproveche las prácticas recomendadas para implementar el aprendizaje automático en Google Cloud.
A quién va dirigido
Este curso está dirigido a los siguientes perfiles laborales:
- Futuros analistas de datos de machine learning, científicos de datos e ingenieros de datos.
- Alumnos que desean aprender Machine Learning mediante Vertex AI AutoML, BQML, Feature Store, Workbench, Dataflow, Vizier para el ajuste de hiperparámetros, TensorFlow/Keras.
Prerrequisitos
Para aprovechar al máximo este curso, los participantes deben tener:
- Conceptos básicos de Machine Learning.
- Conocimientos básicos de un lenguaje de programación, preferiblemente Python.
Objetivos del curso
Este curso enseña a los participantes las siguientes habilidades:
- Crear, entrenar e implementar un modelo de Machine Learningsin escribir una sola línea de código usando Vertex AI AutoML.
- Comprender cuándo utilizar AutoML y Big Query ML.
- Crear conjuntos de datos gestionados por Vertex AI.
- Agregar funciones a una Feature Store.
- Describir Analytics Hub, Dataplex, Data Catalog.
- Describir el ajuste de hiperparámetros con Vertex Vizier y cómo se puede utilizar para mejorar el rendimiento del modelo.
- Crear un Bloc de Notas gestionado por el usuario en Vertex AI Workbench, crear una tarea de entrenamiento personalizada para su posterior implementación mediante un contenedor Docker.
- Describir predicciones por lotes y en línea y monitorización de modelos.
- Describir cómo mejorar la calidad de los datos.
- Realizar análisis de datos exploratorios.
- Construir y entrenar modelos de aprendizaje supervisado.
- Optimizar y evaluar modelos utilizando funciones de pérdida y métricas de rendimiento.
- Crear conjuntos de datos de prueba, evaluación y entrenamiento repetibles y escalables.
- Implementar modelos de ML utilizando TensorFlow/Keras.
- Describir cómo representar y transformar funcionalidades.
- Comprender los beneficios de usar la ingeniería de funcionalidades
- Explicar las canalizaciones de IA de Vertex
Contenidos
Módulo 1: Cómo hace Google el aprendizaje automático
- Describir Vertex AI Platform y cómo se utiliza para crear, entrenar e implementar rápidamente modelos de machine learning en AutoML sin escribir una sola línea de código.
- Describir las mejores prácticas para implementar machine learning con Google Cloud.
- Desarrollar una estrategia de datos en torno al machine learning
- Examinar casos de uso que luego se vuelven a replanteara través de una ML lens
- Aprovechar las herramientas y el entorno de Google Cloud Platform para hacer ML
Módulo 2: Lanzamiento al aprendizaje automático
- Describir Vertex AI AutoML y cómo construir, entrenar e implementar un modelo ML sin escribir una sola línea de código.
- Describir Big Query ML y sus beneficios.
- Describir cómo mejorar la calidad de los datos.
- Realizar análisis exploratorio de datos.
- Construir y entrenar modelos de aprendizaje supervisado.
- Optimizar y evaluar modelos utilizando funciones de pérdida y métricas de rendimiento.
- Mitigar los problemas comunes que surgen en machine learning.
- Crear conjuntos de datos de entrenamiento, evaluación y test repetibles y escalables.
Módulo 3: TensorFlow en Google Cloud
- Crear modelos de machine learning de TensorFlow y Keras.
- Describir los componentes principales de TensorFlow.
- Utilizar la biblioteca tf.data para manipular datos y grandes conjuntos de datos.
- Crear un modelo ML utilizando capas de preprocesamiento de tf.keras.
- Utilizar las Functional APIs y Keras Sequential para la creación de modelos simples y avanzados.
- Comprender cómo se pueden usar las subclases de modelos para modelos más personalizados.
Módulo 4: Ingeniería de características
- Describir la tienda de funcionalidades de Vertex AI.
- Comparar los aspectos clave requeridos de una buena funcionalidad.
- Mezclar y crear nuevas combinaciones de funcionalidades a través de cruces de funcionalidades.
- Realizar ingeniería de características mediante BQML, Keras y TensorFlow.
- Comprender cómo preprocesar y explorar funcionalidadescon Cloud Dataflow y Cloud Dataprep.
- Comprender y aplicar cómo TensorFlow transforma las funcionalidades.
Módulo 5: Aprendizaje automático en la empresa
- Comprender las herramientas necesarias para la gestión y el gobierno de datos
- Describir el mejor enfoque para el preprocesamiento de datos: desde proporcionar una descripción general de DataFlow y DataPrep hasta usar SQL para tareas de preprocesamiento.
- Explicar en qué se diferencian AutoML, BQML y el entrenamiento personalizado y cuándo usar un entorno concreto.
- Describir el ajuste de hiperparámetros con Vertex Vizier y cómo se puede utilizar para mejorar el rendimiento del modelo.
- Explicar la predicción y la monitorización de modelos y cómo se puede usar Vertex AI para administrar modelos de ML.
- Describir los beneficios de Vertex AI Pipelines
Convocatorias abiertas
|
27 nov 2023 - 01 dic 2023 | Machine Learning on Google Cloud |
|
|
27 nov 2023 - 01 dic 2023 | Machine Learning on Google Cloud |
