Kurs
Digicomp Code GCVFTS
Vertex Forecasting and Time Series in Practice («GCVFTS»)
Kurs-Facts
- Verstehen der wichtigsten Konzepte und Anwendungen eines Sequenzmodells, von Zeitreihen und Prognosen
- Identifizieren der Optionen zur Entwicklung eines Prognosemodells auf Google Cloud
- Beschreiben des Workflows zur Entwicklung eines Prognosemodells mit Vertex AI
- Vorbereiten der Daten (einschliesslich Erfassung und Feature Engineering) mit BigQuery und verwalteten Datensätzen von Vertex
- Trainieren eines Prognosemodells und Bewertung der Leistung mit AutoML
- Bereitstellen und Überwachen eines Prognosemodells mit Vertex AI Pipelines
- Erstellen einer End-to-End-Prognoselösung unter Verwendung eines Datensatzes aus dem Einzelhandel
Du beginnst mit Sequenzmodellen und den Grundlagen von Zeitreihen. Anschliessend durchläufst du einen End-to-End-Workflow: von der Datenaufbereitung über die Modellentwicklung bis hin zur Bereitstellung mit Vertex AI. Abschliessend lernst du die Erkenntnisse und Tipps aus einem Anwendungsfall aus dem Einzelhandel kennen und wendest das Wissen an, indem du deine eigenen Prognosemodelle erstellst.
1 Einführung in den Kurs
In diesem Modul werden die Gründe für die Erstellung einer Prognoselösung auf Google Cloud behandelt und die Lernziele vorgestellt.
- Identifiziere die Gründe für das Erlernen von Vertex AI Forecasting von Google.
- Lerne die Kursziele kennen.
2 Grundlagen von Zeitreihen und Prognosen
Dieses Modul vermittelt theoretische Grundlagen zu Arten von Sequenzmodellen, Zeitreihenmustern und -analysen sowie Prognose-Notationen.
- Identifiziere die verschiedenen Arten von Sequenzmodellen.
- Identifiziere die verschiedenen Muster und Analysemethoden von Zeitreihen.
- Beschreibe die wichtigsten Notationen der Prognose.
3 Prognoseoptionen auf Google Cloud
Dieses Modul stellt zwei wichtige Optionen für die Erstellung einer Prognoselösung auf Google Cloud vor: BigQuery ML und Vertex AI Forecast (AutoML). Ausserdem werden die einzigartigen Funktionen von Vertex AI Forecast untersucht und ein End-to-End-Workflow mit AutoML vorgestellt.
- Identifiziere die Optionen für die Entwicklung von Prognosemodellen auf Google Cloud.
- Beschreibe Vertex AI und seine Vorteile.
- Erkunde den Workflow zum Erstellen eines Prognosemodells mit Vertex AI.
- Lab: Erstellen von Nachfrageprognosen mit BigQuery ML
4 Datenaufbereitung
Dieses Modul befasst sich mit der Umwandlung von Originaldaten in die von Vertex AI unterstützten Datentypen und -formate. Ausserdem werden die verschiedenen Arten von Merkmalen in Zeitreihen und die Best Practices für die Datenerfassung vorgestellt.
- Bereite die Eingabedaten so vor, dass sie den Anforderungen von Vertex AI Forecasting entsprechen.
- Demonstriere verschiedene Arten von Merkmalen.
- Beschreibe die Best Practices für die Datenerfassungsphase.
5 Modelltraining
Dieses Modul führt die Lernenden durch das Modelltraining und demonstriert die Konfigurationsdetails wie die Einrichtung des Kontextfensters, des Prognosehorizonts und des Optimierungsziels.
- Konfiguriere das Modelltraining.
- Wähle das geeignete Trainingsoptimierungsziel aus.
- Lab: Trainieren eines Modells mit Vertex AI Forecast
6 Modellbewertung
Dieses Modul beschreibt die Aufteilung der Trainingsdaten, demonstriert die Bewertungsmetriken und empfiehlt Ansätze zur Verbesserung der Modellleistung.
- Demonstriere die Aufteilung der Trainingsdaten in der Zeitreihenprognose.
- Beschreibe die Bewertungsmetriken.
- Entwirf einen Ansatz zur Verbesserung der Leistung.
7 Modellbereitstellung
Dieses Modul demonstriert die Modellvorhersage, insbesondere die Batch-Vorhersage mit Vertex AI Forecast. Ausserdem werden Machine Learning Operations (MLOps) und der Übergang von der Entwicklung zur Produktion behandelt.
- Stelle das Prognosemodell bereit.
- Beschreibe Vertex AI Pipelines und MLOps.
- Verwende Batch-Vorhersagen, um Modellprognosen zu generieren.
8 Modellüberwachung
Dieses Modul beschreibt Modellabweichungen und den Ansatz des Modell-Retrainings. Ausserdem wird die Automatisierung des Prognoseworkflows mithilfe von Vertex AI Pipelines demonstriert.
- Beschreibe Modellabweichungen.
- Demonstriere das Modell-Retraining.
- Verwende Vertex AI Pipelines und vorgefertigte SDKs, um den Prognose-Workflow zu automatisieren.
9 Vertex-Prognosen im Einzelhandel
In diesem Modul wird ein Anwendungsfall für die Erstellung einer Prognoselösung mit Vertex AI Forecast in einem Einzelhandelsgeschäft beschrieben. Es werden die Schritte und Überlegungen erläutert, eine Pilotstudie mit zwei verschiedenen Datensätzen durchgeführt und die Herausforderungen und Erkenntnisse diskutiert.
- Beschreibe die Schritte und Überlegungen zur Erstellung einer Prognoselösung im Einzelhandel.
- Demonstriere die Modellentwicklung mit verschiedenen Datensätzen.
- Identifiziere die Herausforderungen und Erkenntnisse bei der Entwicklung eines Prognosemodells im Einzelhandel.
- Lab: Entwicklung einer End-to-End-Prognoselösung im Einzelhandel
10 Zusammenfassung des Kurses
Dieses Modul behandelt die Hauptfunktionen von Vertex AI Forecast und fasst die Hauptthemen jedes Moduls zusammen.
- Fasse die Schritte zum Erstellen eines Prognosemodells mit Vertex AI zusammen.
Professionelle Data Analysts, Data Scientists und ML Engineers, die End-to-End-Hochleistungsprognoselösungen auf Google Cloud entwickeln und den Workflow automatisieren möchten.
Eine oder mehrere der folgenden Voraussetzungen:
- Grundkenntnisse der Python-Syntax
- Grundlegendes Verständnis von Modellen des maschinellen Lernens
- Erfahrung in der Entwicklung von Lösungen für maschinelles Lernen auf Google Cloud
Produkte:
- Vertex AI
- AutoML
- BigQuery ML
- Vertex AI Pipelines
- TensorFlow