Machine Learning on Google CloudMLGCGOGoogleGO-MLGC3.5<ul>
<li>Mit Vertex AI AutoML können Sie ein maschinelles Lernmodell erstellen, trainieren und bereitstellen, ohne eine einzige Zeile Code schreiben zu müssen.</li><li>Verstehen Sie, wann Sie AutoML und Big Query ML verwenden sollten.</li><li>Erstellen Sie von Vertex AI verwaltete Datensätze.</li><li>Features zu einem Feature Store hinzufügen.</li><li>Beschreiben Sie Analytics Hub, Dataplex, Data Catalog.</li><li>Beschreiben Sie das Hyperparameter-Tuning mit Vertex Vizier und wie es zur Verbesserung der Modellleistung eingesetzt werden kann.</li><li>Erstellen Sie ein benutzerverwaltetes Vertex AI Workbench-Notizbuch, erstellen Sie einen benutzerdefinierten Trainingsauftrag und stellen Sie ihn dann mithilfe eines Docker-Containers bereit.</li><li>Beschreiben Sie Batch- und Online-Vorhersagen und die Modellüberwachung.</li><li>Beschreiben Sie, wie Sie die Datenqualität verbessern können.</li><li>Führen Sie eine explorative Datenanalyse durch.</li><li>Erstellen und trainieren Sie überwachte Lernmodelle.</li><li>Optimieren und bewerten Sie Modelle mit Hilfe von Verlustfunktionen und Leistungsmetriken.</li><li>Erstellen Sie wiederholbare und skalierbare Trainings-, Evaluierungs- und Testdatensätze.</li><li>Implementierung von ML-Modellen mit TensorFlow/Keras.</li><li>Beschreiben Sie, wie man Merkmale darstellt und umwandelt.</li><li>Verstehen Sie die Vorteile der Anwendung von Feature Engineering</li><li>Erklären Sie Vertex AI Pipelines</li></ul><ul>
<li>Gewisse Vertrautheit mit grundlegenden Konzepten des maschinellen Lernens.</li><li>Grundkenntnisse in einer Skriptsprache - Python bevorzugt.</li></ul><ul>
<li>Angehende Datenwissenschaftler und Ingenieure für maschinelles Lernen.</li><li>Lernende, die ML mit Vertex AI AutoML, BQML, Feature Store, Workbench, Dataflow, Vizier für Hyperparameter-Tuning, TensorFlow/Keras kennenlernen möchten.</li></ul><h5>Modul 1: Wie Google maschinelles Lernen betreibt</h5><ul>
<li>Beschreiben Sie die Vertex AI Platform und wie sie verwendet wird, um AutoML-Modelle für maschinelles Lernen schnell zu erstellen, zu trainieren und einzusetzen, ohne eine einzige Zeile Code zu schreiben.</li><li>Beschreiben Sie bewährte Verfahren für die Implementierung von maschinellem Lernen in der Google Cloud.</li><li>Entwicklung einer Datenstrategie für maschinelles Lernen</li><li>Untersuchen Sie Anwendungsfälle, die dann durch eine ML-Linse neu konzipiert werden</li><li>Nutzen Sie die Tools und die Umgebung der Google Cloud Platform für ML</li></ul><h5>Modul 2: Einstieg in das maschinelle Lernen</h5><ul>
<li>Beschreiben Sie Vertex AI AutoML und wie Sie ein ML-Modell erstellen, trainieren und bereitstellen können, ohne eine einzige Zeile Code zu schreiben.</li><li>Beschreiben Sie Big Query ML und seine Vorteile.</li><li>Beschreiben Sie, wie Sie die Datenqualität verbessern können.</li><li>Führen Sie eine explorative Datenanalyse durch.</li><li>Erstellen und trainieren Sie überwachte Lernmodelle.</li><li>Optimieren und bewerten Sie Modelle mit Hilfe von Verlustfunktionen und Leistungsmetriken.</li><li>Entschärfen Sie häufige Probleme, die beim maschinellen Lernen auftreten.</li><li>Erstellen Sie wiederholbare und skalierbare Trainings-, Bewertungs- und Testdatensätze.</li></ul><h5>Modul 3: TensorFlow in der Google Cloud</h5><ul>
<li>Erstellen Sie TensorFlow und Keras Modelle für maschinelles Lernen.</li><li>Beschreiben Sie die Schlüsselkomponenten von TensorFlow.</li><li>Verwenden Sie die tf.data-Bibliothek zur Bearbeitung von Daten und grossen Datensätzen.</li><li>Erstellen Sie ein ML-Modell mit tf.keras-Vorverarbeitungsschichten.</li><li>Verwenden Sie die Keras Sequential und Functional APIs für die einfache und erweiterte Modellerstellung. Verstehen Sie, wie Modell-Subklassifizierung für individuellere Modelle verwendet werden kann.</li></ul><h5>Modul 4: Funktionsentwicklung</h5><ul>
<li>Beschreiben Sie den Vertex AI Feature Store.</li><li>Vergleichen Sie die wichtigsten erforderlichen Aspekte eines guten Features.</li><li>Kombinieren und erstellen Sie neue Feature-Kombinationen durch Feature-Kreuzungen.</li><li>Führen Sie Feature Engineering mit BQML, Keras und TensorFlow durch.</li><li>Verstehen Sie, wie Sie Funktionen mit Cloud Dataflow und Cloud Dataprep vorverarbeiten und untersuchen können.</li><li>Verstehen und anwenden, wie TensorFlow Features transformiert.</li></ul><h5>Modul 5: Maschinelles Lernen im Unternehmen</h5><ul>
<li>Die für Datenmanagement und -verwaltung erforderlichen Tools verstehen</li><li>Beschreiben Sie den besten Ansatz für die Datenvorverarbeitung - von einem Überblick über DataFlow und DataPrep bis zur Verwendung von SQL für Vorverarbeitungsaufgaben.</li><li>Erklären Sie, wie sich AutoML, BQML und benutzerdefinierte Schulungen unterscheiden und wann ein bestimmtes Framework verwendet werden sollte.</li><li>Beschreiben Sie das Hyperparameter-Tuning mit Vertex Vizier und wie es zur Verbesserung der Modellleistung eingesetzt werden kann.</li><li>Erklären Sie Vorhersage und Modellüberwachung und wie Vertex AI zur Verwaltung von ML-Modellen eingesetzt werden kann.</li><li>Beschreiben Sie die Vorteile von Vertex AI Pipelines</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-mlgc"><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>- 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- Gewisse Vertrautheit mit grundlegenden Konzepten des maschinellen Lernens.
- Grundkenntnisse in einer Skriptsprache - Python bevorzugt.- 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.Modul 1: Wie Google maschinelles Lernen betreibt
- Beschreiben Sie die Vertex AI Platform und wie sie verwendet wird, um AutoML-Modelle für maschinelles Lernen schnell zu erstellen, zu trainieren und einzusetzen, ohne eine einzige Zeile Code zu schreiben.
- Beschreiben Sie bewährte Verfahren für die Implementierung von maschinellem Lernen in der Google Cloud.
- Entwicklung einer Datenstrategie für maschinelles Lernen
- Untersuchen Sie Anwendungsfälle, die dann durch eine ML-Linse neu konzipiert werden
- Nutzen Sie die Tools und die Umgebung der Google Cloud Platform für ML
Modul 2: Einstieg in das maschinelle Lernen
- Beschreiben Sie Vertex AI AutoML und wie Sie ein ML-Modell erstellen, trainieren und bereitstellen können, ohne eine einzige Zeile Code zu schreiben.
- Beschreiben Sie Big Query ML und seine Vorteile.
- 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.
- Entschärfen Sie häufige Probleme, die beim maschinellen Lernen auftreten.
- Erstellen Sie wiederholbare und skalierbare Trainings-, Bewertungs- und Testdatensätze.
Modul 3: TensorFlow in der Google Cloud
- Erstellen Sie TensorFlow und Keras Modelle für maschinelles Lernen.
- Beschreiben Sie die Schlüsselkomponenten von TensorFlow.
- Verwenden Sie die tf.data-Bibliothek zur Bearbeitung von Daten und grossen Datensätzen.
- Erstellen Sie ein ML-Modell mit tf.keras-Vorverarbeitungsschichten.
- Verwenden Sie die Keras Sequential und Functional APIs für die einfache und erweiterte Modellerstellung. Verstehen Sie, wie Modell-Subklassifizierung für individuellere Modelle verwendet werden kann.
Modul 4: Funktionsentwicklung
- Beschreiben Sie den Vertex AI Feature Store.
- Vergleichen Sie die wichtigsten erforderlichen Aspekte eines guten Features.
- Kombinieren und erstellen Sie neue Feature-Kombinationen durch Feature-Kreuzungen.
- Führen Sie Feature Engineering mit BQML, Keras und TensorFlow durch.
- Verstehen Sie, wie Sie Funktionen mit Cloud Dataflow und Cloud Dataprep vorverarbeiten und untersuchen können.
- Verstehen und anwenden, wie TensorFlow Features transformiert.
Modul 5: Maschinelles Lernen im Unternehmen
- Die für Datenmanagement und -verwaltung erforderlichen Tools verstehen
- Beschreiben Sie den besten Ansatz für die Datenvorverarbeitung - von einem Überblick über DataFlow und DataPrep bis zur Verwendung von SQL für Vorverarbeitungsaufgaben.
- Erklären Sie, wie sich AutoML, BQML und benutzerdefinierte Schulungen unterscheiden und wann ein bestimmtes Framework verwendet werden sollte.
- Beschreiben Sie das Hyperparameter-Tuning mit Vertex Vizier und wie es zur Verbesserung der Modellleistung eingesetzt werden kann.
- Erklären Sie Vorhersage und Modellüberwachung und wie Vertex AI zur Verwaltung von ML-Modellen eingesetzt werden kann.
- Beschreiben Sie die Vorteile von Vertex AI PipelinesDieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.5 Tage3250.002995.003190.003250.0011270.002995.002995.003385.003385.003385.003250.004140.003250.003300.004135.003770.00