Apprentissage automatique sur Google Cloud

Aperçu

Qu'est-ce que l'apprentissage automatique et quels types de problèmes peut-il résoudre ? Comment pouvez-vous construire, entraîner et déployer des modèles d'apprentissage automatique à grande échelle sans écrire une seule ligne de code ?

Quand devriez-vous utiliser l'apprentissage machine automatisé ou un entraînement personnalisé ? Ce cours vous apprend à construire des modèles AutoML de Vertex AI sans écrire une seule ligne de code ; créer des modèles BigQuery ML en connaissant le SQL de base ; créer des tâches d'entraînement personnalisées Vertex AI que vous déployez en utilisant des conteneurs (avec peu de connaissances en Docker) ; utiliser le Feature Store pour la gestion et la gouvernance des données ; utiliser l'ingénierie des caractéristiques pour améliorer les modèles ; déterminer les options de prétraitement des données appropriées pour votre cas d'utilisation ; utiliser le réglage des hyperparamètres de Vertex Vizier pour incorporer le bon mélange de paramètres qui produit des modèles précis et généralisés et la connaissance de la théorie pour résoudre des types spécifiques de problèmes d'apprentissage automatique ; écrire des modèles ML distribués qui s'adaptent dans TensorFlow ; et tirer parti des meilleures pratiques pour mettre en œuvre l'apprentissage automatique sur Google Cloud. > En vous inscrivant à cette spécialisation, vous acceptez les conditions d'utilisation de Qwiklabs telles qu'elles sont définies dans la FAQ et situées à l'adresse suivante :

https:

//qwiklabs.com/terms_of_service

Programme

• Introduction à l'apprentissage automatique
Vue d'ensemble des concepts de l'apprentissage automatique
Types de problèmes que l'apprentissage automatique peut résoudre
Introduction aux services d'apprentissage automatique de Google Cloud
• Construire des modèles avec Vertex AI AutoML
Vue d'ensemble de Vertex AI AutoML
Étapes pour construire des modèles sans codage
Cas d'utilisation et applications
• BigQuery ML et SQL
Introduction à BigQuery ML
Écrire du SQL pour l'apprentissage automatique
Construire et déployer des modèles en utilisant SQL
• Entraînement personnalisé avec Vertex AI
Introduction à l'entraînement personnalisé avec Vertex AI
Créer et déployer des travaux d'entraînement en utilisant des conteneurs
Bases de Docker pour l'apprentissage automatique
• Feature Store pour la gestion des données
Introduction à Google Cloud Feature Store
Pratiques de gestion et de gouvernance des données
Techniques d'ingénierie des caractéristiques pour l'amélioration des modèles
• Options de prétraitement des données
Évaluer et choisir les stratégies de prétraitement appropriées
Scénarios de prétraitement en situation réelle et solutions
• Réglage des hyperparamètres avec Vertex Vizier
Vue d'ensemble de Vertex Vizier
Importance du réglage des hyperparamètres
Méthodes pour améliorer la précision et la généralisation des modèles
• Apprentissage machine distribué avec TensorFlow
Introduction à l'entraînement distribué avec TensorFlow
Écrire des modèles ML TensorFlow évolutifs
Meilleures pratiques pour l'apprentissage automatique distribué
• Meilleures pratiques pour la mise en œuvre de l'IA sur Google Cloud
Vue d'ensemble des meilleures pratiques
Considérations sur la sécurité, la scalabilité et l'efficacité
Ressources pour un apprentissage continu et un soutien
• Conclusion du cours
Récapitulatif des concepts clés et des outils
Projet final ou application d'étude de cas
Chemins d'apprentissage futurs en apprentissage automatique et Google Cloud
• Inscription à Qwiklabs (Conditions de service)
Accord aux conditions
Accès aux laboratoires et exercices pratiques

Enseigné par

Google Cloud Training

Sujets

Programmation