{"course":{"productid":23770,"modality":1,"active":true,"language":"fr","title":"Machine Learning on Google Cloud","productcode":"MLGC","vendorcode":"GO","vendorname":"Google","fullproductcode":"GO-MLGC","courseware":{"has_ekit":false,"has_printkit":true,"language":""},"url":"https:\/\/portal.flane.ch\/course\/google-mlgc","objective":"<ul>\n<li>Cr&eacute;er, former et d&eacute;ployer un mod&egrave;le d&#039;apprentissage automatique sans &eacute;crire une seule ligne de code &agrave; l&#039;aide de Vertex AI AutoML.<\/li><li>Comprendre quand utiliser AutoML et Big Query ML.<\/li><li>Cr&eacute;er des ensembles de donn&eacute;es g&eacute;r&eacute;s par Vertex AI.<\/li><li>Ajouter des fonctionnalit&eacute;s &agrave; un Feature Store.<\/li><li>D&eacute;crire Analytics Hub, Dataplex, Data Catalog.<\/li><li>D&eacute;crire le r&eacute;glage des hyperparam&egrave;tres &agrave; l&#039;aide de Vertex Vizier et comment il peut &ecirc;tre utilis&eacute; pour am&eacute;liorer les performances du mod&egrave;le.<\/li><li>Cr&eacute;er un User-Managed Notebook de Vertex AI Workbench, cr&eacute;er une t&acirc;che de formation personnalis&eacute;e, puis la d&eacute;ployer &agrave; l&#039;aide d&#039;un conteneur Docker.<\/li><li>D&eacute;crire les pr&eacute;dictions par lot et en ligne et la surveillance des mod&egrave;les.<\/li><li>D&eacute;crire comment am&eacute;liorer la qualit&eacute; des donn&eacute;es.<\/li><li>R&eacute;aliser une analyse exploratoire des donn&eacute;es.<\/li><li>Construire et entra&icirc;ner des mod&egrave;les d&#039;apprentissage supervis&eacute;.<\/li><li>Optimiser et &eacute;valuer les mod&egrave;les en utilisant des fonctions de perte et des mesures de performance.<\/li><li>Cr&eacute;er des ensembles de donn&eacute;es de formation, d&#039;&eacute;valuation et de test r&eacute;p&eacute;tables et &eacute;volutifs.<\/li><li>Impl&eacute;menter des mod&egrave;les ML en utilisant TensorFlow\/Keras.<\/li><li>D&eacute;crire comment repr&eacute;senter et transformer les caract&eacute;ristiques.<\/li><li>Comprendre les avantages de l&#039;utilisation de l&#039;ing&eacute;nierie des caract&eacute;ristiques.<\/li><li>Expliquer les pipelines d&#039;IA de Vertex.<\/li><\/ul>","essentials":"<ul>\n<li>Une certaine familiarit&eacute; avec les concepts de base du machine learning.\n[Ma&icirc;trise de base d&#039;un langage de programmation - Python de pr&eacute;f&eacute;rence.<\/li><\/ul>","audience":"<ul>\n<li>Scientifiques de donn&eacute;es et ing&eacute;nieurs en apprentissage automatique en herbe.<\/li><li>Les &eacute;tudiants qui veulent se familiariser avec l&#039;apprentissage automatique en utilisant Vertex AI AutoML, BQML, Feature Store, Workbench, Dataflow, Vizier pour le r&eacute;glage des hyperparam&egrave;tres, TensorFlow\/Keras.\n<ul><\/ul><\/li><\/ul>","contents":"<h5>Module 1 : Comment Google fait de l&#039;apprentissage automatique<\/h5><ul>\n<li>D&eacute;crire la plateforme Vertex AI et la mani&egrave;re dont elle est utilis&eacute;e pour construire, former et d&eacute;ployer rapidement des mod&egrave;les d&#039;apprentissage automatique AutoML sans &eacute;crire une seule ligne de code.<\/li><li>D&eacute;crire les meilleures pratiques pour la mise en &oelig;uvre de l&#039;apprentissage automatique sur Google Cloud.<\/li><li>D&eacute;velopper une strat&eacute;gie de donn&eacute;es autour de l&#039;apprentissage automatique.<\/li><li>Examiner les cas d&#039;utilisation qui sont ensuite r&eacute;imagin&eacute;s &agrave; travers une lentille ML.<\/li><li>Exploiter les outils et l&#039;environnement de Google Cloud Platform pour faire de l&#039;apprentissage automatique.<\/li><\/ul><h5>Module 2 : Se lancer dans le Machine Learning<\/h5><ul>\n<li>D&eacute;crire Vertex AI AutoML et comment construire, entra&icirc;ner et d&eacute;ployer un mod&egrave;le ML sans &eacute;crire une seule ligne de code.<\/li><li>D&eacute;crire Big Query ML et ses avantages.<\/li><li>D&eacute;crire comment am&eacute;liorer la qualit&eacute; des donn&eacute;es.<\/li><li>R&eacute;aliser une analyse exploratoire des donn&eacute;es.<\/li><li>Construire et entra&icirc;ner des mod&egrave;les d&#039;apprentissage supervis&eacute;.<\/li><li>[Optimiser et &eacute;valuer les mod&egrave;les en utilisant des fonctions de perte et des mesures de performance.<\/li><li>Att&eacute;nuer les probl&egrave;mes communs qui surviennent dans l&#039;apprentissage automatique.<\/li><li>Cr&eacute;er des ensembles de donn&eacute;es d&#039;entra&icirc;nement, d&#039;&eacute;valuation et de test r&eacute;p&eacute;tables et &eacute;volutifs.<\/li><\/ul><h5>Module 3 : TensorFlow sur Google Cloud<\/h5><ul>\n<li>Cr&eacute;er des mod&egrave;les d&#039;apprentissage automatique TensorFlow et Keras.<\/li><li>D&eacute;crire les composants cl&eacute;s de TensorFlow.<\/li><li>Utiliser la biblioth&egrave;que tf.data pour manipuler les donn&eacute;es et les grands ensembles de donn&eacute;es.<\/li><li>Construire un mod&egrave;le ML en utilisant les couches de pr&eacute;traitement de tf.keras.<\/li><li>Utiliser les API s&eacute;quentielles et fonctionnelles de Keras pour la cr&eacute;ation de mod&egrave;les simples et avanc&eacute;s. Comprendre comment les sous-classes de mod&egrave;les peuvent &ecirc;tre utilis&eacute;es pour des mod&egrave;les plus personnalis&eacute;s.<\/li><\/ul><h5>Module 4 : Ing&eacute;nierie des fonctionnalit&eacute;s<\/h5><p>.<\/p>\n<ul>\n<li>D&eacute;crire le Feature Store de Vertex AI.<\/li><li>Comparer les principaux aspects requis pour une bonne fonctionnalit&eacute;.<\/li><li>Combiner et cr&eacute;er de nouvelles combinaisons de fonctionnalit&eacute;s gr&acirc;ce aux croisements de fonctionnalit&eacute;s.<\/li><li>Ex&eacute;cuter l&#039;ing&eacute;nierie des caract&eacute;ristiques en utilisant BQML, Keras et TensorFlow.<\/li><li>Comprendre comment pr&eacute;traiter et explorer les caract&eacute;ristiques avec Cloud Dataflow et Cloud Dataprep.<\/li><li>Comprendre et appliquer la fa&ccedil;on dont TensorFlow transforme les caract&eacute;ristiques.<\/li><\/ul><h5>Module 5 : L&#039;apprentissage automatique dans l&#039;entreprise<\/h5><ul>\n<li>Comprendre les outils n&eacute;cessaires &agrave; la gestion et &agrave; la gouvernance des donn&eacute;es.<\/li><li>D&eacute;crire la meilleure approche pour le pr&eacute;traitement des donn&eacute;es - de la pr&eacute;sentation g&eacute;n&eacute;rale de DataFlow et DataPrep &agrave; l&#039;utilisation de SQL pour les t&acirc;ches de pr&eacute;traitement.<\/li><li>Expliquer comment AutoML, BQML et la formation personnalis&eacute;e diff&egrave;rent et quand utiliser un cadre particulier.<\/li><li>D&eacute;crire le r&eacute;glage des hyperparam&egrave;tres &agrave; l&#039;aide de Vertex Vizier et comment il peut &ecirc;tre utilis&eacute; pour am&eacute;liorer les performances du mod&egrave;le.<\/li><li>[Expliquez la pr&eacute;diction et la surveillance des mod&egrave;les et comment Vertex AI peut &ecirc;tre utilis&eacute; pour g&eacute;rer les mod&egrave;les ML.<\/li><li>D&eacute;crire les avantages des pipelines de Vertex AI.<\/li><\/ul>","outline":"<h5>Module 1 : Comment Google fait de l&#039;apprentissage automatique<\/h5><ul>\n<li>D&eacute;crire la plateforme Vertex AI et la mani&egrave;re dont elle est utilis&eacute;e pour construire, former et d&eacute;ployer rapidement des mod&egrave;les d&#039;apprentissage automatique AutoML sans &eacute;crire une seule ligne de code.<\/li><li>D&eacute;crire les meilleures pratiques pour la mise en &oelig;uvre de l&#039;apprentissage automatique sur Google Cloud.<\/li><li>D&eacute;velopper une strat&eacute;gie de donn&eacute;es autour de l&#039;apprentissage automatique.<\/li><li>Examiner les cas d&#039;utilisation qui sont ensuite r&eacute;imagin&eacute;s &agrave; travers une lentille ML.<\/li><li>Exploiter les outils et l&#039;environnement de Google Cloud Platform pour faire de l&#039;apprentissage automatique.<\/li><\/ul><h5>Module 2 : Se lancer dans le Machine Learning<\/h5><ul>\n<li>D&eacute;crire Vertex AI AutoML et comment construire, entra&icirc;ner et d&eacute;ployer un mod&egrave;le ML sans &eacute;crire une seule ligne de code.<\/li><li>D&eacute;crire Big Query ML et ses avantages.<\/li><li>D&eacute;crire comment am&eacute;liorer la qualit&eacute; des donn&eacute;es.<\/li><li>R&eacute;aliser une analyse exploratoire des donn&eacute;es.<\/li><li>Construire et entra&icirc;ner des mod&egrave;les d&#039;apprentissage supervis&eacute;.<\/li><li>[Optimiser et &eacute;valuer les mod&egrave;les en utilisant des fonctions de perte et des mesures de performance.<\/li><li>Att&eacute;nuer les probl&egrave;mes communs qui surviennent dans l&#039;apprentissage automatique.<\/li><li>Cr&eacute;er des ensembles de donn&eacute;es d&#039;entra&icirc;nement, d&#039;&eacute;valuation et de test r&eacute;p&eacute;tables et &eacute;volutifs.<\/li><\/ul><h5>Module 3 : TensorFlow sur Google Cloud<\/h5><ul>\n<li>Cr&eacute;er des mod&egrave;les d&#039;apprentissage automatique TensorFlow et Keras.<\/li><li>D&eacute;crire les composants cl&eacute;s de TensorFlow.<\/li><li>Utiliser la biblioth&egrave;que tf.data pour manipuler les donn&eacute;es et les grands ensembles de donn&eacute;es.<\/li><li>Construire un mod&egrave;le ML en utilisant les couches de pr&eacute;traitement de tf.keras.<\/li><li>Utiliser les API s&eacute;quentielles et fonctionnelles de Keras pour la cr&eacute;ation de mod&egrave;les simples et avanc&eacute;s. Comprendre comment les sous-classes de mod&egrave;les peuvent &ecirc;tre utilis&eacute;es pour des mod&egrave;les plus personnalis&eacute;s.<\/li><\/ul><h5>Module 4 : Ing&eacute;nierie des fonctionnalit&eacute;s<\/h5><p>.<\/p>\n<ul>\n<li>D&eacute;crire le Feature Store de Vertex AI.<\/li><li>Comparer les principaux aspects requis pour une bonne fonctionnalit&eacute;.<\/li><li>Combiner et cr&eacute;er de nouvelles combinaisons de fonctionnalit&eacute;s gr&acirc;ce aux croisements de fonctionnalit&eacute;s.<\/li><li>Ex&eacute;cuter l&#039;ing&eacute;nierie des caract&eacute;ristiques en utilisant BQML, Keras et TensorFlow.<\/li><li>Comprendre comment pr&eacute;traiter et explorer les caract&eacute;ristiques avec Cloud Dataflow et Cloud Dataprep.<\/li><li>Comprendre et appliquer la fa&ccedil;on dont TensorFlow transforme les caract&eacute;ristiques.<\/li><\/ul><h5>Module 5 : L&#039;apprentissage automatique dans l&#039;entreprise<\/h5><ul>\n<li>Comprendre les outils n&eacute;cessaires &agrave; la gestion et &agrave; la gouvernance des donn&eacute;es.<\/li><li>D&eacute;crire la meilleure approche pour le pr&eacute;traitement des donn&eacute;es - de la pr&eacute;sentation g&eacute;n&eacute;rale de DataFlow et DataPrep &agrave; l&#039;utilisation de SQL pour les t&acirc;ches de pr&eacute;traitement.<\/li><li>Expliquer comment AutoML, BQML et la formation personnalis&eacute;e diff&egrave;rent et quand utiliser un cadre particulier.<\/li><li>D&eacute;crire le r&eacute;glage des hyperparam&egrave;tres &agrave; l&#039;aide de Vertex Vizier et comment il peut &ecirc;tre utilis&eacute; pour am&eacute;liorer les performances du mod&egrave;le.<\/li><li>[Expliquez la pr&eacute;diction et la surveillance des mod&egrave;les et comment Vertex AI peut &ecirc;tre utilis&eacute; pour g&eacute;rer les mod&egrave;les ML.<\/li><li>D&eacute;crire les avantages des pipelines de Vertex AI.<\/li><\/ul>","summary":"<p>Ce cours vous apprend &agrave; construire des mod&egrave;les Vertex AI AutoML sans &eacute;crire une seule ligne de code, &agrave; construire des mod&egrave;les ML BigQuery en connaissant le SQL de base, &agrave; cr&eacute;er des t&acirc;ches de formation personnalis&eacute;es Vertex AI que vous d&eacute;ployez &agrave; l&#039;aide de conteneurs - avec peu de connaissances de Docker, &agrave; utiliser Feature Store pour la gestion et la gouvernance des donn&eacute;es, l&#039;ing&eacute;nierie des fonctionnalit&eacute;s pour l&#039;am&eacute;lioration des mod&egrave;les, &agrave; d&eacute;terminer les options de pr&eacute;traitement des donn&eacute;es appropri&eacute;es &agrave; votre cas d&#039;utilisation, &agrave; &eacute;crire des mod&egrave;les ML distribu&eacute;s qui &eacute;voluent dans TensorFlow et &agrave; tirer parti des meilleures pratiques pour mettre en &oelig;uvre l&#039;apprentissage automatique sur Google Cloud. Apprenez tout cela et plus encore !<\/p>","objective_plain":"- Cr\u00e9er, former et d\u00e9ployer un mod\u00e8le d'apprentissage automatique sans \u00e9crire une seule ligne de code \u00e0 l'aide de Vertex AI AutoML.\n- Comprendre quand utiliser AutoML et Big Query ML.\n- Cr\u00e9er des ensembles de donn\u00e9es g\u00e9r\u00e9s par Vertex AI.\n- Ajouter des fonctionnalit\u00e9s \u00e0 un Feature Store.\n- D\u00e9crire Analytics Hub, Dataplex, Data Catalog.\n- D\u00e9crire le r\u00e9glage des hyperparam\u00e8tres \u00e0 l'aide de Vertex Vizier et comment il peut \u00eatre utilis\u00e9 pour am\u00e9liorer les performances du mod\u00e8le.\n- Cr\u00e9er un User-Managed Notebook de Vertex AI Workbench, cr\u00e9er une t\u00e2che de formation personnalis\u00e9e, puis la d\u00e9ployer \u00e0 l'aide d'un conteneur Docker.\n- D\u00e9crire les pr\u00e9dictions par lot et en ligne et la surveillance des mod\u00e8les.\n- D\u00e9crire comment am\u00e9liorer la qualit\u00e9 des donn\u00e9es.\n- R\u00e9aliser une analyse exploratoire des donn\u00e9es.\n- Construire et entra\u00eener des mod\u00e8les d'apprentissage supervis\u00e9.\n- Optimiser et \u00e9valuer les mod\u00e8les en utilisant des fonctions de perte et des mesures de performance.\n- Cr\u00e9er des ensembles de donn\u00e9es de formation, d'\u00e9valuation et de test r\u00e9p\u00e9tables et \u00e9volutifs.\n- Impl\u00e9menter des mod\u00e8les ML en utilisant TensorFlow\/Keras.\n- D\u00e9crire comment repr\u00e9senter et transformer les caract\u00e9ristiques.\n- Comprendre les avantages de l'utilisation de l'ing\u00e9nierie des caract\u00e9ristiques.\n- Expliquer les pipelines d'IA de Vertex.","essentials_plain":"- Une certaine familiarit\u00e9 avec les concepts de base du machine learning.\n[Ma\u00eetrise de base d'un langage de programmation - Python de pr\u00e9f\u00e9rence.","audience_plain":"- Scientifiques de donn\u00e9es et ing\u00e9nieurs en apprentissage automatique en herbe.\n- Les \u00e9tudiants qui veulent se familiariser avec l'apprentissage automatique en utilisant Vertex AI AutoML, BQML, Feature Store, Workbench, Dataflow, Vizier pour le r\u00e9glage des hyperparam\u00e8tres, TensorFlow\/Keras.","contents_plain":"Module 1 : Comment Google fait de l'apprentissage automatique\n\n\n- D\u00e9crire la plateforme Vertex AI et la mani\u00e8re dont elle est utilis\u00e9e pour construire, former et d\u00e9ployer rapidement des mod\u00e8les d'apprentissage automatique AutoML sans \u00e9crire une seule ligne de code.\n- D\u00e9crire les meilleures pratiques pour la mise en \u0153uvre de l'apprentissage automatique sur Google Cloud.\n- D\u00e9velopper une strat\u00e9gie de donn\u00e9es autour de l'apprentissage automatique.\n- Examiner les cas d'utilisation qui sont ensuite r\u00e9imagin\u00e9s \u00e0 travers une lentille ML.\n- Exploiter les outils et l'environnement de Google Cloud Platform pour faire de l'apprentissage automatique.\nModule 2 : Se lancer dans le Machine Learning\n\n\n- D\u00e9crire Vertex AI AutoML et comment construire, entra\u00eener et d\u00e9ployer un mod\u00e8le ML sans \u00e9crire une seule ligne de code.\n- D\u00e9crire Big Query ML et ses avantages.\n- D\u00e9crire comment am\u00e9liorer la qualit\u00e9 des donn\u00e9es.\n- R\u00e9aliser une analyse exploratoire des donn\u00e9es.\n- Construire et entra\u00eener des mod\u00e8les d'apprentissage supervis\u00e9.\n- [Optimiser et \u00e9valuer les mod\u00e8les en utilisant des fonctions de perte et des mesures de performance.\n- Att\u00e9nuer les probl\u00e8mes communs qui surviennent dans l'apprentissage automatique.\n- Cr\u00e9er des ensembles de donn\u00e9es d'entra\u00eenement, d'\u00e9valuation et de test r\u00e9p\u00e9tables et \u00e9volutifs.\nModule 3 : TensorFlow sur Google Cloud\n\n\n- Cr\u00e9er des mod\u00e8les d'apprentissage automatique TensorFlow et Keras.\n- D\u00e9crire les composants cl\u00e9s de TensorFlow.\n- Utiliser la biblioth\u00e8que tf.data pour manipuler les donn\u00e9es et les grands ensembles de donn\u00e9es.\n- Construire un mod\u00e8le ML en utilisant les couches de pr\u00e9traitement de tf.keras.\n- Utiliser les API s\u00e9quentielles et fonctionnelles de Keras pour la cr\u00e9ation de mod\u00e8les simples et avanc\u00e9s. Comprendre comment les sous-classes de mod\u00e8les peuvent \u00eatre utilis\u00e9es pour des mod\u00e8les plus personnalis\u00e9s.\nModule 4 : Ing\u00e9nierie des fonctionnalit\u00e9s\n\n.\n\n\n- D\u00e9crire le Feature Store de Vertex AI.\n- Comparer les principaux aspects requis pour une bonne fonctionnalit\u00e9.\n- Combiner et cr\u00e9er de nouvelles combinaisons de fonctionnalit\u00e9s gr\u00e2ce aux croisements de fonctionnalit\u00e9s.\n- Ex\u00e9cuter l'ing\u00e9nierie des caract\u00e9ristiques en utilisant BQML, Keras et TensorFlow.\n- Comprendre comment pr\u00e9traiter et explorer les caract\u00e9ristiques avec Cloud Dataflow et Cloud Dataprep.\n- Comprendre et appliquer la fa\u00e7on dont TensorFlow transforme les caract\u00e9ristiques.\nModule 5 : L'apprentissage automatique dans l'entreprise\n\n\n- Comprendre les outils n\u00e9cessaires \u00e0 la gestion et \u00e0 la gouvernance des donn\u00e9es.\n- D\u00e9crire la meilleure approche pour le pr\u00e9traitement des donn\u00e9es - de la pr\u00e9sentation g\u00e9n\u00e9rale de DataFlow et DataPrep \u00e0 l'utilisation de SQL pour les t\u00e2ches de pr\u00e9traitement.\n- Expliquer comment AutoML, BQML et la formation personnalis\u00e9e diff\u00e8rent et quand utiliser un cadre particulier.\n- D\u00e9crire le r\u00e9glage des hyperparam\u00e8tres \u00e0 l'aide de Vertex Vizier et comment il peut \u00eatre utilis\u00e9 pour am\u00e9liorer les performances du mod\u00e8le.\n- [Expliquez la pr\u00e9diction et la surveillance des mod\u00e8les et comment Vertex AI peut \u00eatre utilis\u00e9 pour g\u00e9rer les mod\u00e8les ML.\n- D\u00e9crire les avantages des pipelines de Vertex AI.","outline_plain":"Module 1 : Comment Google fait de l'apprentissage automatique\n\n\n- D\u00e9crire la plateforme Vertex AI et la mani\u00e8re dont elle est utilis\u00e9e pour construire, former et d\u00e9ployer rapidement des mod\u00e8les d'apprentissage automatique AutoML sans \u00e9crire une seule ligne de code.\n- D\u00e9crire les meilleures pratiques pour la mise en \u0153uvre de l'apprentissage automatique sur Google Cloud.\n- D\u00e9velopper une strat\u00e9gie de donn\u00e9es autour de l'apprentissage automatique.\n- Examiner les cas d'utilisation qui sont ensuite r\u00e9imagin\u00e9s \u00e0 travers une lentille ML.\n- Exploiter les outils et l'environnement de Google Cloud Platform pour faire de l'apprentissage automatique.\nModule 2 : Se lancer dans le Machine Learning\n\n\n- D\u00e9crire Vertex AI AutoML et comment construire, entra\u00eener et d\u00e9ployer un mod\u00e8le ML sans \u00e9crire une seule ligne de code.\n- D\u00e9crire Big Query ML et ses avantages.\n- D\u00e9crire comment am\u00e9liorer la qualit\u00e9 des donn\u00e9es.\n- R\u00e9aliser une analyse exploratoire des donn\u00e9es.\n- Construire et entra\u00eener des mod\u00e8les d'apprentissage supervis\u00e9.\n- [Optimiser et \u00e9valuer les mod\u00e8les en utilisant des fonctions de perte et des mesures de performance.\n- Att\u00e9nuer les probl\u00e8mes communs qui surviennent dans l'apprentissage automatique.\n- Cr\u00e9er des ensembles de donn\u00e9es d'entra\u00eenement, d'\u00e9valuation et de test r\u00e9p\u00e9tables et \u00e9volutifs.\nModule 3 : TensorFlow sur Google Cloud\n\n\n- Cr\u00e9er des mod\u00e8les d'apprentissage automatique TensorFlow et Keras.\n- D\u00e9crire les composants cl\u00e9s de TensorFlow.\n- Utiliser la biblioth\u00e8que tf.data pour manipuler les donn\u00e9es et les grands ensembles de donn\u00e9es.\n- Construire un mod\u00e8le ML en utilisant les couches de pr\u00e9traitement de tf.keras.\n- Utiliser les API s\u00e9quentielles et fonctionnelles de Keras pour la cr\u00e9ation de mod\u00e8les simples et avanc\u00e9s. Comprendre comment les sous-classes de mod\u00e8les peuvent \u00eatre utilis\u00e9es pour des mod\u00e8les plus personnalis\u00e9s.\nModule 4 : Ing\u00e9nierie des fonctionnalit\u00e9s\n\n.\n\n\n- D\u00e9crire le Feature Store de Vertex AI.\n- Comparer les principaux aspects requis pour une bonne fonctionnalit\u00e9.\n- Combiner et cr\u00e9er de nouvelles combinaisons de fonctionnalit\u00e9s gr\u00e2ce aux croisements de fonctionnalit\u00e9s.\n- Ex\u00e9cuter l'ing\u00e9nierie des caract\u00e9ristiques en utilisant BQML, Keras et TensorFlow.\n- Comprendre comment pr\u00e9traiter et explorer les caract\u00e9ristiques avec Cloud Dataflow et Cloud Dataprep.\n- Comprendre et appliquer la fa\u00e7on dont TensorFlow transforme les caract\u00e9ristiques.\nModule 5 : L'apprentissage automatique dans l'entreprise\n\n\n- Comprendre les outils n\u00e9cessaires \u00e0 la gestion et \u00e0 la gouvernance des donn\u00e9es.\n- D\u00e9crire la meilleure approche pour le pr\u00e9traitement des donn\u00e9es - de la pr\u00e9sentation g\u00e9n\u00e9rale de DataFlow et DataPrep \u00e0 l'utilisation de SQL pour les t\u00e2ches de pr\u00e9traitement.\n- Expliquer comment AutoML, BQML et la formation personnalis\u00e9e diff\u00e8rent et quand utiliser un cadre particulier.\n- D\u00e9crire le r\u00e9glage des hyperparam\u00e8tres \u00e0 l'aide de Vertex Vizier et comment il peut \u00eatre utilis\u00e9 pour am\u00e9liorer les performances du mod\u00e8le.\n- [Expliquez la pr\u00e9diction et la surveillance des mod\u00e8les et comment Vertex AI peut \u00eatre utilis\u00e9 pour g\u00e9rer les mod\u00e8les ML.\n- D\u00e9crire les avantages des pipelines de Vertex AI.","summary_plain":"Ce cours vous apprend \u00e0 construire des mod\u00e8les Vertex AI AutoML sans \u00e9crire une seule ligne de code, \u00e0 construire des mod\u00e8les ML BigQuery en connaissant le SQL de base, \u00e0 cr\u00e9er des t\u00e2ches de formation personnalis\u00e9es Vertex AI que vous d\u00e9ployez \u00e0 l'aide de conteneurs - avec peu de connaissances de Docker, \u00e0 utiliser Feature Store pour la gestion et la gouvernance des donn\u00e9es, l'ing\u00e9nierie des fonctionnalit\u00e9s pour l'am\u00e9lioration des mod\u00e8les, \u00e0 d\u00e9terminer les options de pr\u00e9traitement des donn\u00e9es appropri\u00e9es \u00e0 votre cas d'utilisation, \u00e0 \u00e9crire des mod\u00e8les ML distribu\u00e9s qui \u00e9voluent dans TensorFlow et \u00e0 tirer parti des meilleures pratiques pour mettre en \u0153uvre l'apprentissage automatique sur Google Cloud. Apprenez tout cela et plus encore !","skill_level":"Intermediate","version":"3.5","duration":{"unit":"d","value":5,"formatted":"5 jours"},"pricelist":{"List Price":{"IT":{"country":"IT","currency":"EUR","taxrate":20,"price":3250},"US":{"country":"US","currency":"USD","taxrate":null,"price":2995},"CH":{"country":"CH","currency":"CHF","taxrate":8.1,"price":3190},"DE":{"country":"DE","currency":"EUR","taxrate":19,"price":3250},"IL":{"country":"IL","currency":"ILS","taxrate":17,"price":11270},"BE":{"country":"BE","currency":"EUR","taxrate":21,"price":2995},"NL":{"country":"NL","currency":"EUR","taxrate":21,"price":2995},"GR":{"country":"GR","currency":"EUR","taxrate":null,"price":3385},"MK":{"country":"MK","currency":"EUR","taxrate":null,"price":3385},"HU":{"country":"HU","currency":"EUR","taxrate":20,"price":3385},"SI":{"country":"SI","currency":"EUR","taxrate":20,"price":3250},"SG":{"country":"SG","currency":"SGD","taxrate":8,"price":4140},"AT":{"country":"AT","currency":"EUR","taxrate":20,"price":3250},"GB":{"country":"GB","currency":"GBP","taxrate":20,"price":3300},"CA":{"country":"CA","currency":"CAD","taxrate":null,"price":4135},"FR":{"country":"FR","currency":"EUR","taxrate":19.6,"price":3770}}},"lastchanged":"2025-09-30T15:09:58+02:00","parenturl":"https:\/\/portal.flane.ch\/swisscom\/fr\/json-courses","nexturl_course_schedule":"https:\/\/portal.flane.ch\/swisscom\/fr\/json-course-schedule\/23770","source_lang":"fr","source":"https:\/\/portal.flane.ch\/swisscom\/fr\/json-course\/google-mlgc"}}