Kurs
digicode: GCPML
Machine Learning on Google Cloud
Eine Einführung in die Angebote für künstliche Intelligenz (AI) und maschinelles Lernen (ML) auf Google Cloud, die den Daten-zu-AI-Lebenszyklus durch AI-Grundlagen, AI-Entwicklung und AI-Lösungen unterstützen.
Dauer
5 Tage
Preis
3'500.–
zzgl. 8.1% MWST
Kursdokumente
Offizielle Google Cloud-Unterlagen
Kurs-Facts
- Beschreiben der Technologien, Produkte und Tools zum Erstellen eines ML-Modells, einer ML-Pipeline und eines generativen AI-Projekts
- Verstehen, wann AutoML und BigQuery ML verwendet werden sollten
- Erstellen von Vertex-AI-verwalteten Datensätzen
- Hinzufügen von Funktionen zum Vertex AI Feature Store
- Beschreiben von Analytics Hub, Dataplex und Data Catalog
- Beschreiben der Verbesserung der Modellleistung
- Erstellen eines von Benutzern verwalteten Vertex-AI-Workbench-Notebooks, Erstellen eines benutzerdefinierten Trainingsjobs und Bereitstellen dieses Jobs mithilfe eines Docker-Containers
- Beschreiben von Batch- und Online-Vorhersagen sowie der Modellüberwachung
- Beschreiben der Verbesserung der Datenqualität und der Untersuchung Ihrer Daten
- Erstellen und Trainieren von überwachten Lernmodellen
- Optimieren und Bewerten von Modellen mithilfe von Verlustfunktionen und Leistungsmetriken
- Erstellen wiederholbarer und skalierbarer Trainings-, Evaluierungs- und Testdatensätze
- Implementieren von ML-Modellen mit TensorFlow oder Keras
- Verstehen der Vorteile der Verwendung von Feature Engineering
- Erläutern von Vertex AI Model Monitoring und Vertex AI Pipelines
Dieser Kurs befasst sich mit den Technologien, Produkten und Tools für die Erstellung eines ML-Modells, einer ML-Pipeline und eines generativen AI-Projekts. Du lernst, AutoML-Modelle ohne Code zu erstellen, BigQuery-ML-Modelle mit SQL zu entwickeln und benutzerdefinierte Vertex AI-Trainingsjobs mit Keras und TensorFlow zu gestalten. Ausserdem befasst du dich mit Techniken zur Datenvorverarbeitung und Feature Engineering.
1 Einführung in AI und maschinelles Lernen auf Google Cloud
- AI-/ML-Framework auf Google Cloud erkennen
- Wichtigste Komponenten der Google Cloud-Infrastruktur identifizieren
- Daten- und ML-Produkte auf Google Cloud definieren und verstehen, wie sie den Daten-zu-AI-Lebenszyklus unterstützen
- ML-Modell mit BigQuery ML erstellen, um Daten in die AI zu übertragen
- Optionen zum Erstellen eines ML-Modells auf Google Cloud definieren
- Hauptfunktionen und Anwendungsbereiche von vortrainierten APIs, AutoML und benutzerdefiniertem Training erkennen
- Natural Language API zur Analyse von Text verwenden
- Workflow zum Erstellen eines ML-Modells definieren
- MLOps und Workflow-Automatisierung auf Google Cloud beschreiben
- ML-Modell von Anfang bis Ende mit AutoML auf Vertex AI erstellen
- Generative AI und grosse Sprachmodelle definieren
- Generative AI-Funktionen in der AI-Entwicklung nutzen
- AI-Lösungen und die eingebetteten generativen AI-Funktionen erkennen
2 Einstieg in maschinelles Lernen
- Beschreiben, wie du die Datenqualität verbessern kannst
- Explorative Datenanalyse durchführen
- Überwachte Lernmodelle erstellen und trainieren
- AutoML beschreiben und lernen, wie du ein ML-Modell ohne Code erstellst, trainierst und bereitstellst
- BigQuery ML und dessen Vorteile beschreiben
- Modelle mithilfe von Verlustfunktionen und Leistungsmetriken optimieren sowie bewerten
- Häufige Probleme beim maschinellen Lernen beheben
- Wiederholbare und skalierbare Trainings-, Bewertungs- und Testdatensätze erstellen
3 TensorFlow auf Google Cloud
- TensorFlow- und Keras-Modelle für maschinelles Lernen erstellen
- Hauptkomponenten von TensorFlow beschreiben
- Bibliothek «tf.data» verwenden, um Daten und grosse Datensätze zu bearbeiten
- ML-Modell erstellen, das tf.keras-Vorverarbeitungsschichten nutzt
- Sequenzielle und funktionale APIs von Keras für die einfache und erweiterte Modellerstellung verwenden
- ML-Modelle in grossem Massstab mit dem Vertex AI Training Service trainieren, implementieren und produzieren
4 Feature Engineering
- Vertex AI Feature Store beschreiben
- Wichtigste Aspekte eines guten Features vergleichen
- tf.keras.preprocessing-Dienstprogramme für die Arbeit mit Bild-, Text- und Sequenzdaten verwenden
- Feature Engineering mit BigQuery ML, Keras und TensorFlow durchführen
5 Maschinelles Lernen im Unternehmen
- Tools für die Datenverwaltung und Datensteuerung verstehen
- Besten Ansatz für die Datenvorverarbeitung beschreiben: Vom Überblick über Dataflow und Dataprep bis zur Nutzung von SQL
- Unterschiede zwischen AutoML, BigQuery ML sowie benutzerdefiniertem Training erläutern und den passenden Einsatz wählen
- Hyperparameter-Optimierung mit Vertex AI Vizier zur Verbesserung der Modellleistung beschreiben
- Vorhersage und Modellüberwachung erläutern und Vertex AI zur Verwaltung von ML-Modellen nutzen
- Vorteile von Vertex AI Pipelines beschreiben
- Best Practices für die Modellbereitstellung, Modellüberwachung, Vertex AI Pipelines und die Organisation von Artefakten beschreiben
- Angehende Datenanalysten, Datenwissenschaftler/innen und Dateningenieure im Bereich maschinelles Lernen
- Lernende, die sich mit ML vertraut machen und Vertex AI, AutoML, BigQuery ML, Vertex AI Feature Store, Vertex AI Workbench, Dataflow, Vertex AI Vizier für die Hyperparameter-Optimierung und TensorFlow/Keras verwenden möchten
- Grundlegende Kenntnisse der grundlegenden Konzepte des maschinellen Lernens
- Grundlegende Kenntnisse einer Skriptsprache, vorzugsweise Python
Produkte
- Vertex AI
- AutoML
- BigQuery ML
- Vertex AI Pipelines
- TensorFlow
- Model Garden
- Generative AI Studio
- Large language model (LLM) APIs
- Natural Language API
- Vertex AI Workbench
- Vertex AI Feature Store
- Vizier
- Dataplex
- Analytics Hub
- Data Catalog
- TensorFlow
- Vertex AI TensorBoard
- Dataflow
- Dataprep
- Vertex AI Pipelines