Kursüberblick
In diesem Kurs lernen Sie, wie Sie Vertex AI AutoML-Modelle erstellen, ohne eine einzige Zeile Code zu schreiben, wie Sie BigQuery ML-Modelle mit grundlegenden SQL-Kenntnissen erstellen, wie Sie benutzerdefinierte Vertex AI-Trainingsaufträge erstellen, die Sie mithilfe von Containern bereitstellen - mit geringen Kenntnissen über Docker, wie Sie Feature Store für Datenmanagement und Governance verwenden, wie Sie Feature Engineering für die Modellverbesserung nutzen, wie Sie die geeigneten Optionen für die Datenvorverarbeitung für Ihren Anwendungsfall bestimmen, wie Sie verteilte ML-Modelle schreiben, die in TensorFlow skalieren, und wie Sie Best Practices für die Implementierung von maschinellem Lernen in der Google Cloud nutzen. Lernen Sie all dies und mehr!
Zielgruppe
- Angehende Datenwissenschaftler und Ingenieure für maschinelles Lernen.
- Lernende, die ML mit Vertex AI AutoML, BQML, Feature Store, Workbench, Dataflow, Vizier für Hyperparameter-Tuning, TensorFlow/Keras kennenlernen möchten.
Voraussetzungen
- Gewisse Vertrautheit mit grundlegenden Konzepten des maschinellen Lernens.
- Grundkenntnisse in einer Skriptsprache - Python bevorzugt.
Kursziele
- Mit Vertex AI AutoML können Sie ein maschinelles Lernmodell erstellen, trainieren und bereitstellen, ohne eine einzige Zeile Code schreiben zu müssen.
- Verstehen Sie, wann Sie AutoML und Big Query ML verwenden sollten.
- Erstellen Sie von Vertex AI verwaltete Datensätze.
- Features zu einem Feature Store hinzufügen.
- Beschreiben Sie Analytics Hub, Dataplex, Data Catalog.
- Beschreiben Sie das Hyperparameter-Tuning mit Vertex Vizier und wie es zur Verbesserung der Modellleistung eingesetzt werden kann.
- Erstellen Sie ein benutzerverwaltetes Vertex AI Workbench-Notizbuch, erstellen Sie einen benutzerdefinierten Trainingsauftrag und stellen Sie ihn dann mithilfe eines Docker-Containers bereit.
- Beschreiben Sie Batch- und Online-Vorhersagen und die Modellüberwachung.
- Beschreiben Sie, wie Sie die Datenqualität verbessern können.
- Führen Sie eine explorative Datenanalyse durch.
- Erstellen und trainieren Sie überwachte Lernmodelle.
- Optimieren und bewerten Sie Modelle mit Hilfe von Verlustfunktionen und Leistungsmetriken.
- Erstellen Sie wiederholbare und skalierbare Trainings-, Evaluierungs- und Testdatensätze.
- Implementierung von ML-Modellen mit TensorFlow/Keras.
- Beschreiben Sie, wie man Merkmale darstellt und umwandelt.
- Verstehen Sie die Vorteile der Anwendung von Feature Engineering
- Erklären Sie Vertex AI Pipelines
Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.