Kurs
digicode: GCFR
Google Cloud Fundamentals for Researchers
Erfahre, wie du verschiedene Tools in Google Cloud verwendest, um deine Daten zu erfassen, zu verwalten und zu nutzen, um Erkenntnisse für deine Forschung zu gewinnen.
Dauer
1 Tag
Preis
850.–
zzgl. 7.7% MWST
Kursdokumente
Offizielle Google-Cloud-Kursunterlagen
Kurs-Facts
- Verstehen der in Google Cloud für Forschungszwecke verfügbaren Produkte
- Laden unstrukturierter und strukturierter Daten in Google Cloud
- Verwalten des Zugriffs und Freigeben deiner Daten in Google Cloud
- Verständnis der Kosten in Google Cloud
- Nutzen von Jupyter Notebook-Umgebungen in Vertex AI Workbench
- Nutzen von Machine-Learning-Lösungen in Google Cloud
1 Google-Cloud-Demos für Forschende
- Demo: Bereitstellung virtueller Maschinen in Compute Engine
- Demo: Abfrage von einer Milliarde Datenzeilen in Sekundenschnelle mit BigQuery
- Demo: Training eines benutzerdefinierten Bildverarbeitungsmodells mit AutoML Vision
- Erkunden von Anwendungsfällen für die Forschung in Google Cloud durch interaktive Demos
- Organisieren von Ressourcen in Google Cloud
- Steuern des Zugriffs auf Projekte und Ressourcen
- Kosten- und Abrechnungsmanagement
- Verstehen, wie Ressourcen in Google Cloud über Organisationen, Ordner und Projekte hinweg verwaltet werden
- Steuern des Zugriffs auf Projekte und Ressourcen mit IAM
- Erkunden der Abrechnung in Google Cloud
- Interaktion mit Google Cloud
- Erstellen und Verwalten von Cloud Storage-Buckets
- Virtuelle Maschinen in Compute Engine
- Grundlagen zu Rechenkosten
- Einführung in HPC auf Google Cloud
- Grundlagen zur Interaktion mit Google Cloud
- Speichern deiner Daten in Cloud Storage Buckets
- Bereitstellen virtueller Maschinen in Compute Engine
- Grundlagen zu Rechenkosten auf Google Cloud
- Erkunden, wie man HPC-Cluster in Google Cloud erstellt
- Lab: Erstellen und Verwalten einer virtuellen Maschine (Linux) und Cloud Storage
- Optionales Lab: Bereitstellen eines HPC-Clusters mit Slurm
- Grundlagen von BigQuery
- Abfragen öffentlicher Datensätze
- Importieren und Exportieren von Daten in BigQuery
- Verbinden mit Looker Studio
- Grundlagen von BigQuery verstehen
- Abfragen öffentlicher Datensätze in BigQuery Studio
- Verwalten von Datensätzen in BigQuery
- Verbinden von Daten in BigQuery mit Looker Studio
- Lab: Grundlagen von BigQuery und Looker Studio
- Vertex AI
- Vertex AI Workbench
- Verbinden von Jupyter-Notebooks mit BigQuery
- Vertex AI als Plattform für maschinelles Lernen erkunden
- Bereitstellen von Jupyter-Notebooks mit Vertex AI Workbench
- Lab: Interagieren mit BigQuery mithilfe von Python und R Ausführen in Jupyter Notebooks
- ML-Optionen auf Google Cloud
- Vorkonfigurierte ML-APIs
- Vertex AI AutoML
- BigQuery ML
- Entdecken der Optionen für maschinelles Lernen auf Google Cloud
- Verstehen unstrukturierter Daten mithilfe vorgefertigter ML-APIs
- Erstellen benutzerdefinierter ML-Modelle ohne Programmierung mit Vertex AI AutoML
- Erstellen benutzerdefinierter ML-Modelle mit SQL auf BigQuery ML
- Optionales Lab: Extrahieren, Analysieren und Übersetzen von Text aus Bildern mit den Cloud ML-APIs
- Optionales Lab: Identifizieren beschädigter Autoteile mit Vertex AutoML Vision
- Optionales Lab: Erste Schritte mit BigQuery Machine Learning
- Grundkenntnisse über Datentypen und SQL
- Grundkenntnisse in Programmierung
- Maschinelle Lernmodelle wie überwachte und unüberwachte Modelle
Produkte:
- Compute Engine
- Cloud Storage
- BigQuery
- Looker Studio
- Vertex AI Workbench
- Vertex AI AutoML