Kurs
Digicomp Code GCPML
Machine Learning on Google Cloud («GCPML»)
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
4'250.–
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, die für die Erstellung eines ML-Modells, einer ML-Pipeline und eines generativen AI-Projekts zur Verfügung stehen. Sie lernen, wie Sie AutoML-Modelle ohne eine einzige Zeile Code erstellen, BigQuery-ML-Modelle mit SQL erstellen und benutzerdefinierte Vertex AI-Trainingsjobs mit Keras und TensorFlow erstellen. Ausserdem befassen Sie sich mit Techniken zur Datenvorverarbeitung und Feature Engineering.
1 Einführung in AI und maschinelles Lernen auf Google Cloud
- Erkennen Sie das AI-/ML-Framework auf Google Cloud
- Identifizieren Sie die wichtigsten Komponenten der Google Cloud-Infrastruktur
- Definieren Sie die Daten- und ML-Produkte auf Google Cloud und wie sie den Daten-zu-AI-Lebenszyklus unterstützen
- Erstellen Sie ein ML-Modell mit BigQueryML, um Daten in die AI zu übertragen
- Definieren Sie verschiedene Optionen zum Erstellen eines ML-Modells auf Google Cloud
- Erkennen Sie die Hauptfunktionen und Anwendungsbereiche von vortrainierten APIs, AutoML und benutzerdefiniertem Training
- Verwenden Sie die Natural Language API zur Analyse von Text
- Definieren Sie den Workflow zum Erstellen eines ML-Modells
- Beschreiben Sie MLOps und Workflow-Automatisierung auf Google Cloud
- Erstellen Sie ein ML-Modell von Anfang bis Ende mit AutoML auf Vertex AI
- Definieren Sie generative AI und grosse Sprachmodelle
- Nutzen Sie generative AI-Funktionen in der AI-Entwicklung
- Erkennen Sie die AI-Lösungen und die eingebetteten generativen AI-Funktionen
2 Einstieg in maschinelles Lernen
- Beschreiben Sie, wie Sie die Datenqualität verbessern können
- Führen Sie eine explorative Datenanalyse durch
- Erstellen und trainieren Sie überwachte Lernmodelle
- Beschreiben Sie AutoML und wie Sie ein ML-Modell erstellen, trainieren und bereitstellen können, ohne eine einzige Zeile Code zu schreiben
- Beschreiben Sie BigQuery ML und seine Vorteile
- Optimieren und bewerten Sie Modelle mithilfe von Verlustfunktionen und Leistungsmetriken
- Beheben Sie häufige Probleme, die beim maschinellen Lernen auftreten
- Erstellen Sie wiederholbare und skalierbare Trainings-, Bewertungs- und Testdatensätze
3 TensorFlow auf Google Cloud
- Erstellen Sie TensorFlow- und Keras-Modelle für maschinelles Lernen
- Beschreiben Sie die Hauptkomponenten von TensorFlow
- Verwenden Sie die Bibliothek „tf.data“, um Daten und grosse Datensätze zu bearbeiten
- Erstellen Sie ein ML-Modell, das tf.keras-Vorverarbeitungsschichten verwendet
- Verwenden Sie die sequenziellen und funktionalen APIs von Keras für die einfache und erweiterte Modellerstellung
- Trainieren, implementieren und produzieren Sie ML-Modelle in grossem Massstab mit dem Vertex AI Training Service
4 Feature Engineering
- Beschreiben Sie den Vertex AI Feature Store
- Vergleichen Sie die wichtigsten erforderlichen Aspekte eines guten Features
- Verwenden Sie tf.keras.preprocessing-Dienstprogramme für die Arbeit mit Bilddaten, Textdaten und Sequenzdaten
- Führen Sie Feature Engineering mit BigQuery ML, Keras und TensorFlow durch
5 Maschinelles Lernen im Unternehmen
- Verstehen Sie die für die Datenverwaltung und -steuerung erforderlichen Tools
- Beschreiben Sie den besten Ansatz für die Datenvorverarbeitung: Von der Bereitstellung eines Überblicks über Dataflow und Dataprep bis zur Verwendung von SQL für Vorverarbeitungsaufgaben
- Erläutern Sie die Unterschiede zwischen AutoML, BigQuery ML und benutzerdefiniertem Training und wann ein bestimmtes Framework verwendet werden sollte
- Beschreiben Sie die Hyperparameter-Optimierung mit Vertex AI Vizier zur Verbesserung der Modellleistung
- Erläutern Sie die Vorhersage und Modellüberwachung und wie Vertex AI zur Verwaltung von ML-Modellen verwendet werden kann
- Beschreiben Sie die Vorteile von Vertex AI Pipelines
- Beschreiben Sie Best Practices für die Modellbereitstellung und -bereitstellung, Modellüberwachung, Vertex AI Pipelines und die Organisation von Artefakten
- Angehende Datenanalysten, Datenwissenschaftler 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