Kurs
digicode: SMARTA
Smart Analytics, Machine Learning, and AI on Google Cloud
Die Einbindung von maschinellem Lernen in Datenpipelines verbessert die Möglichkeit, Erkenntnisse aus Daten zu gewinnen. In diesem Kurs wird erläutert, wie maschinelles Lernen in Daten-Pipelines auf Google Cloud integriert werden kann.
Dauer
1 Tag
Preis
800.–
zzgl. 8.1% MWST
Kursdokumente
Offizielle Google Cloud-Unterlagen
Kurs-Facts
- Unterscheiden zwischen ML, AI und Deep Learning
- Diskutieren der Verwendung von ML-APIs für unstrukturierte Daten
- Ausführen von BigQuery-Befehlen aus Notebooks
- Erstellen von ML-Modellen mithilfe der SQL-Syntax in BigQuery
- Erstellen von ML-Modellen ohne Programmierung mithilfe von AutoML
Für wenig bis gar keine Anpassung behandelt dieser Kurs AutoML. Für individuellere Machine-Learning-Funktionen stellt dieser Kurs Notebooks und BigQuery Machine Learning (BigQuery ML) vor. Ausserdem lernst du, wie du Machine-Learning-Lösungen mithilfe von Vertex AI in die Produktion bringst.
1 Einführung in Analytik und AI
- Was ist AI?
- Von der Ad-hoc-Datenanalyse zu datengestützten Entscheidungen
- Optionen für ML-Modelle auf Google Cloud
- Beziehung zwischen maschinellem Lernen (ML), AI und Deep Learning beschreiben
- ML-Optionen auf Google Cloud identifizieren
2 Vorgefertigte ML-Modell-APIs für unstrukturierte Daten
- Schwierigkeiten unstrukturierter Daten
- ML-APIs zur Anreicherung von Daten
- Herausforderungen bei der Arbeit mit unstrukturierten Daten diskutieren
- Einsatzbereite ML-APIs für unstrukturierte Daten identifizieren
3 Big-Data-Analysen mit Notebooks
- Notebooks definieren
- Zusammenwirken von BigQuery und Pandas
- Notebooks als Tool für das Prototyping von ML-Lösungen nutzen
- BigQuery-Befehle aus Notebooks ausführen
4 ML-Pipelines in der Produktion
- Möglichkeiten für ML auf Google Cloud
- Vertex AI Pipelines
- TensorFlow Hub
- Verfügbare Optionen für die Erstellung benutzerdefinierter ML-Modelle beschreiben
- Verwendung von Tools wie Vertex AI und TensorFlow Hub beschreiben
5 Benutzerdefinierte Modelle mit SQL in BigQuery ML erstellen
- BigQuery ML für die schnelle Modellerstellung
- Unterstützte Modelle
- ML-Modelle mithilfe der SQL-Syntax in BigQuery erstellen
- Erstellung verschiedener Arten von ML-Modellen mithilfe von BigQuery ML demonstrieren
6 Benutzerdefinierte Modelle mit AutoML erstellen
- Warum AutoML verwenden?
- AutoML Vision
- AutoML NLP
- AutoML Tables
- Verschiedene AutoML-Produkte entdecken, die im maschinellen Lernen verwendet werden
- Einsatzbereite ML-APIs für unstrukturierte Daten identifizieren
Data Engineers
Teilnehmende sollten den Kurs Google Cloud Big Data and Machine Learning Fundamentals absolviert haben oder über gleichwertige Erfahrungen verfügen.
Produkte
- Cloud Natural Language API
- Vertex AI
- Vertex AI Pipelines
- AI Platform
- BigQuery ML
- AutoML