Kurs
digicode: VERTML
Vertex AI for Machine Learning Practitioners
Dieser Kurs richtet sich an Ingenieur/innen und Datenwissenschaftler/innen, die mit Machine-Learning-Modellen vertraut sind und sich mit der Verwendung von Vertex AI für benutzerdefinierte Modell-Workflows vertraut machen möchten.
Dauer
1 Tag
Preis
800.–
zzgl. 8.1% MWST
Kurs-Facts
- Verstehen der wichtigsten Komponenten von Vertex AI und wie sie zusammenarbeiten, um deine ML-Workflows zu unterstützen
- Konfigurieren und Starten von Vertex AI Custom Training- und Hyperparameter Tuning-Jobs zur Optimierung der Modellleistung
- Organisieren und Versionieren Ihrer Modelle mit Vertex AI Model Registry für einfachen Zugriff und Nachverfolgung
- Konfigurieren von Serving-Clustern und Bereitstellen von Modellen für Online-Vorhersagen mit Vertex AI Endpoints
- Operationalisieren und Orchestrieren von End-to-End-ML-Workflows mit Vertex AI Pipelines für mehr Effizienz und Skalierbarkeit
- Konfigurieren und Einrichten der Überwachung für bereitgestellte Modelle
Dieser praxisorientierte Kurs vermittelt dir fundierte Kenntnisse über die Kernfunktionen von Vertex AI, sodass du die Tools und Funktionen für deine ML-Projekte effektiv nutzen kannst.
1 Training, Tuning und Bereitstellung von Modellen in Vertex AI
- Grundlagen zu containerisierten Trainingsanwendungen
- Grundlagen zu benutzerdefinierten Trainings- und Tuning-Jobs in Vertex AI
- Verfolgen und Versionieren deiner trainierten Modelle in der Vertex AI-Modellregistrierung
- Verstehen der Online-Bereitstellung mit Vertex AI-Endpunkten
2 Orchestrieren von End-to-End-Workflows mit Vertex AI-Pipelines
- Verstehen von Kubeflow
- Verstehen vorgefertigter und leichtgewichtiger Python-Komponenten
- Verstehen, wie Pipelines auf Vertex AI kompiliert und ausgeführt werden
3 Modellüberwachung auf Vertex AI
- Verstehen von Feature Drift und Skew
- Verstehen der Modellüberwachung für Modelle, die auf Vertex AI-Endpunkten bereitgestellt werden
Machine Learning Engineers, Data Scientists
- Erfahrung im Erstellen und Trainieren benutzerdefinierter ML-Modelle
- Vertrautheit mit Docker