Google Cloud Fundamentals for ResearchersGCFRGOGoogleGO-GCFR1.0<ul>
<li>Verständnis der in Google Cloud verfügbaren Produkte für die Forschung</li><li>Laden unstrukturierter und strukturierter Daten in Google Cloud</li><li>Verwaltung des Zugriffs und Freigabe Ihrer Daten in Google Cloud</li><li>Verstehen Sie Kosten auf Google Cloud</li><li>Nutzung von Jupyter Notebook-Umgebungen in Vertex AI Workbench</li><li>Nutzung von Lösungen für maschinelles Lernen in der Google Cloud</li></ul><p>Kenntnisse in einem oder mehreren der folgenden Bereiche werden empfohlen, sind aber nicht erforderlich:
</p>
<ul>
<li>Grundkenntnisse über Datentypen und SQL</li><li>Grundlegende Programmierkenntnisse</li><li>Modelle des maschinellen Lernens wie überwachte und nicht überwachte Modelle</li></ul><p>Einführungsschulung für Forscher, die Google Cloud für die Erfassung, Verwaltung und Nutzung ihrer Daten nutzen möchten.</p><h4>Modul 1 - Google Cloud-Demos für Forscher</h4><ul>
<li>Demo: Bereitstellung virtueller Maschinen der Compute Engine</li><li>Demo: Abfrage von einer Milliarde Datenzeilen in Sekunden mit BigQuery</li><li>Demo: Trainieren eines benutzerdefinierten Bildverarbeitungsmodells mit AutoML Vision</li></ul><h4>Modul 2 - Google Project-Konzepte</h4><ul>
<li>Organisieren von Ressourcen in Google Cloud</li><li>Kontrolle des Zugangs zu Projekten und Ressourcen</li><li>Kosten- und Rechnungsmanagement</li></ul><h4>Modul 3 - Datenverarbeitung und Speicherung in der Google Cloud</h4><ul>
<li>Interaktion mit Google Cloud</li><li>Erstellen und Verwalten von Cloud Storage Buckets</li><li>Virtuelle Maschinen der Compute Engine</li><li>Die Kosten der Datenverarbeitung verstehen</li><li>Einführung in HPC auf Google Cloud</li><li>Übung 1: Erstellen und Verwalten einer virtuellen Maschine (Linux) und eines Cloud-Speichers</li></ul><h4>Modul 4 - BigQuery</h4><ul>
<li>BigQuery-Grundlagen</li><li>Abfrage öffentlicher Datensätze</li><li>Importieren und Exportieren von Daten in BigQuery</li><li>Verbinden mit Looker Studio</li><li>Übung 3: Grundlagen von BigQuery und Looker Studio</li></ul><h4>Modul 5 - Vertex AI Notebooks</h4><ul>
<li>Freigabe von APIs und Diensten</li><li>Vertex AI</li><li>Vertex-Workbench</li><li>Verbinden von Jupyter-Notebooks mit BigQuery</li><li>Übung 4: Interaktion mit BigQuery mit Python und R in Jupyter Notebooks</li></ul><h4>Modul 6 - Maschinelles Lernen</h4><ul>
<li>Arten von ML innerhalb von Google Cloud</li><li>Vorgefertigte ML-APIs</li><li>Vertex AI AutoML</li><li>BigQuery ML</li><li>Übung 5: Optionale Übungen (zum Mitnehmen), aus denen Sie wählen können:<ul>
<li>Extrahieren, Analysieren und Übersetzen von Text aus Bildern mit den Cloud ML APIs</li><li>Identifizieren Sie beschädigte Autoteile mit Vertex AutoML Vision</li><li>Erste Schritte mit BigQuery Machine Learning</li></ul></li></ul><p><em>Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <span class="cms-link-marked"><a class="fl-href-prod" href="/swisscom/en/course/google-gcfr"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>hier</a></span>.</em></p>- Verständnis der in Google Cloud verfügbaren Produkte für die Forschung
- Laden unstrukturierter und strukturierter Daten in Google Cloud
- Verwaltung des Zugriffs und Freigabe Ihrer Daten in Google Cloud
- Verstehen Sie Kosten auf Google Cloud
- Nutzung von Jupyter Notebook-Umgebungen in Vertex AI Workbench
- Nutzung von Lösungen für maschinelles Lernen in der Google CloudKenntnisse in einem oder mehreren der folgenden Bereiche werden empfohlen, sind aber nicht erforderlich:
- Grundkenntnisse über Datentypen und SQL
- Grundlegende Programmierkenntnisse
- Modelle des maschinellen Lernens wie überwachte und nicht überwachte ModelleEinführungsschulung für Forscher, die Google Cloud für die Erfassung, Verwaltung und Nutzung ihrer Daten nutzen möchten.Modul 1 - Google Cloud-Demos für Forscher
- Demo: Bereitstellung virtueller Maschinen der Compute Engine
- Demo: Abfrage von einer Milliarde Datenzeilen in Sekunden mit BigQuery
- Demo: Trainieren eines benutzerdefinierten Bildverarbeitungsmodells mit AutoML Vision
Modul 2 - Google Project-Konzepte
- Organisieren von Ressourcen in Google Cloud
- Kontrolle des Zugangs zu Projekten und Ressourcen
- Kosten- und Rechnungsmanagement
Modul 3 - Datenverarbeitung und Speicherung in der Google Cloud
- Interaktion mit Google Cloud
- Erstellen und Verwalten von Cloud Storage Buckets
- Virtuelle Maschinen der Compute Engine
- Die Kosten der Datenverarbeitung verstehen
- Einführung in HPC auf Google Cloud
- Übung 1: Erstellen und Verwalten einer virtuellen Maschine (Linux) und eines Cloud-Speichers
Modul 4 - BigQuery
- BigQuery-Grundlagen
- Abfrage öffentlicher Datensätze
- Importieren und Exportieren von Daten in BigQuery
- Verbinden mit Looker Studio
- Übung 3: Grundlagen von BigQuery und Looker Studio
Modul 5 - Vertex AI Notebooks
- Freigabe von APIs und Diensten
- Vertex AI
- Vertex-Workbench
- Verbinden von Jupyter-Notebooks mit BigQuery
- Übung 4: Interaktion mit BigQuery mit Python und R in Jupyter Notebooks
Modul 6 - Maschinelles Lernen
- Arten von ML innerhalb von Google Cloud
- Vorgefertigte ML-APIs
- Vertex AI AutoML
- BigQuery ML
- Übung 5: Optionale Übungen (zum Mitnehmen), aus denen Sie wählen können:
- Extrahieren, Analysieren und Übersetzen von Text aus Bildern mit den Cloud ML APIs
- Identifizieren Sie beschädigte Autoteile mit Vertex AutoML Vision
- Erste Schritte mit BigQuery Machine LearningDieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.1 Tag595.00660.00650.00820.00950.00950.00950.00790.00950.00