GSP774

Visão geral

Neste laboratório, você vai analisar fraudes em dados de transações financeiras e aplicar técnicas de engenharia de atributos e machine learning para detectar atividades fraudulentas usando o BigQuery ML.

Serão utilizados dados de transações financeiras públicas. Os dados contêm as seguintes colunas:

• Tipo da transação
• Valor transferido
• ID da conta de origem e de destino
• Saldos novos e antigos
• Tempo relativo da transação (número de horas desde o início do período de 30 dias)
• Flag isfraud

A coluna de destino isfraud inclui os rótulos das transações fraudulentas. Com esses rótulos, você vai você treinar modelos supervisionados para detecção de fraudes e aplicar modelos não supervisionados para detecção de anomalias.

The data for this lab is from the Kaggle site. If you do not have a Kaggle account, it's free to create one.

Você vai aprender o seguinte:

• Carregar dados no BigQuery e explorá-los.
• Criar novos atributos no BigQuery.
• Criar um modelo não supervisionado para detecção de anomalias.
• Criar modelos supervisionados (com regressão logística e árvore otimizada) para detecção de fraudes.
• Avaliar e comparar os modelos e selecionar o mais adequado.
• Usar o modelo selecionado para prever a probabilidade de fraude nos dados de teste.

Neste laboratório, você vai usar a interface do BigQuery para engenharia de atributos, desenvolvimento de modelos, avaliação e previsão.

Participants that prefer Notebooks as the model development interface may choose to build models in AI Platform Notebooks instead of BigQuery ML. Then at the end of the lab, you can also complete the optional section. You can import open source libraries and create custom models or you can call BigQuery ML models within Notebooks using BigQuery magic commands.

If you want to train models in an automated way without any coding, you can use Google Cloud AutoML which builds models using state-of-the-art algorithms. The training process for AutoML would take almost 2 hours, that's why it is recommended to initiate it at the beginning of the lab, as soon as the data is prepared, so that you can see the results at the end. Check for the "Attention" phrase at the end of the data preparation step.

Configuração e requisitos

Antes de clicar no botão Start Lab

Leia estas instruções. Os laboratórios são cronometrados e não podem ser pausados. O timer é iniciado quando você clica em Começar o laboratório e mostra por quanto tempo os recursos do Google Cloud vão ficar disponíveis.

Este laboratório prático permite que você realize as atividades em um ambiente real de nuvem, não em uma simulação ou demonstração. Você vai receber novas credenciais temporárias para fazer login e acessar o Google Cloud durante o laboratório.

Confira os requisitos para concluir o laboratório:

• Acesso a um navegador de Internet padrão (recomendamos o Chrome).

Observação: para executar este laboratório, use o modo de navegação anônima ou uma janela anônima do navegador. Isso evita conflitos entre sua conta pessoal e a conta de estudante, o que poderia causar cobranças extras na sua conta pessoal.

• Tempo para concluir o laboratório---não se esqueça: depois de começar, não será possível pausar o laboratório.

Observação: não use seu projeto ou conta do Google Cloud neste laboratório para evitar cobranças extras na sua conta.

Como iniciar seu laboratório e fazer login no console do Google Cloud

1. Clique no botão Começar o laboratório. Se for preciso pagar, você verá um pop-up para selecionar a forma de pagamento. No painel Detalhes do laboratório à esquerda, você verá o seguinte:

   • O botão Abrir Console do Cloud
   • Tempo restante
   • As credenciais temporárias que você vai usar neste laboratório
   • Outras informações se forem necessárias

2. Clique em Abrir Console do Google. O laboratório ativa recursos e depois abre outra guia com a página Fazer login.

   Dica: coloque as guias em janelas separadas lado a lado.

   Observação: se aparecer a caixa de diálogo Escolher uma conta, clique em Usar outra conta.

3. Caso seja preciso, copie o Nome de usuário no painel Detalhes do laboratório e cole esse nome na caixa de diálogo Fazer login. Clique em Avançar.

4. Copie a Senha no painel Detalhes do laboratório e a cole na caixa de diálogo Olá. Clique em Avançar.

   Importante: você precisa usar as credenciais do painel à esquerda. Não use suas credenciais do Google Cloud Ensina. Observação: se você usar sua própria conta do Google Cloud neste laboratório, é possível que receba cobranças adicionais.

5. Acesse as próximas páginas:

   • Aceite os Termos e Condições.
   • Não adicione opções de recuperação nem autenticação de dois fatores (porque essa é uma conta temporária).
   • Não se inscreva em testes gratuitos.

Depois de alguns instantes, o console do GCP vai ser aberto nesta guia.

Observação: para ver uma lista dos produtos e serviços do Google Cloud, clique no Menu de navegação no canto superior esquerdo.

Ativar o Cloud Shell

O Cloud Shell é uma máquina virtual com várias ferramentas de desenvolvimento. Ele tem um diretório principal permanente de 5 GB e é executado no Google Cloud. O Cloud Shell oferece acesso de linha de comando aos recursos do Google Cloud.

1. Clique em Ativar o Cloud Shell na parte de cima do console do Google Cloud.

Depois de se conectar, vai notar que sua conta já está autenticada, e que o projeto está configurado com seu PROJECT_ID. A saída contém uma linha que declara o projeto PROJECT_ID para esta sessão:

Your Cloud Platform project in this session is set to YOUR_PROJECT_ID

gcloud é a ferramenta de linha de comando do Google Cloud. Ela vem pré-instalada no Cloud Shell e aceita preenchimento com tabulação.

2. (Opcional) É possível listar o nome da conta ativa usando este comando:

gcloud auth list

3. Clique em Autorizar.

4. A saída será parecida com esta:

Saída:

ACTIVE: * ACCOUNT: student-01-xxxxxxxxxxxx@qwiklabs.net To set the active account, run: $ gcloud config set account `ACCOUNT`

5. (Opcional) É possível listar o ID do projeto usando este comando:

gcloud config list project

Saída:

[core] project = <project_ID>

Exemplo de saída:

[core] project = qwiklabs-gcp-44776a13dea667a6 Observação: para conferir a documentação completa da gcloud, acesse o guia com informações gerais sobre a gcloud CLI no Google Cloud.

Tarefa 1: baixar o arquivo de dados do laboratório

1. Execute o seguinte comando para baixar o arquivo de dados no projeto:

gsutil cp gs://spls/gsp774/archive.zip .

2. Se for solicitado, clique em Autorizar.

3. Depois do upload do arquivo ZIP, execute o comando unzip:

unzip archive.zip

Perceba que um arquivo foi aumentado.

4. Para facilitar a consulta posterior a esse arquivo, crie uma variável de ambiente para o nome dele:

export DATA_FILE=PS_20174392719_1491204439457_log.csv

5. Execute o seguinte comando para encontrar o ID do projeto do laboratório e copie esse ID:

gcloud config list project

6. Crie uma variável de ambiente para o ID do projeto copiado e substitua <project_id> por ele:

export PROJECT_ID=<project_id>

7. Execute o seguinte comando no Cloud Shell para criar um conjunto de dados do BigQuery chamado finance a fim de armazenar as tabelas e os modelos deste laboratório:

bq mk --dataset $PROJECT_ID:finance

A execução bem-sucedida do comando acima resulta nesta saída:

Dataset `$PROJECT_ID:finance` successfully created.

Clique em Verificar meu progresso para conferir o objetivo. Crie um conjunto de dados

Tarefa 2: copiar o conjunto de dados para o Cloud Storage

1. Execute o seguinte comando para criar um bucket do Cloud Storage usando o ID de projeto exclusivo como nome:

gsutil mb gs://$PROJECT_ID

2. Copie o arquivo CSV para o bucket recém-criado:

gsutil cp $DATA_FILE gs://$PROJECT_ID

Tarefa 3: carregar dados em tabelas do BigQuery

Para carregar dados no BigQuery, use a interface do usuário do BigQuery ou o terminal de comando no Cloud Shell. Escolha uma das opções abaixo para carregar os dados.

Opção 1: linha de comando

• Carregue os dados na tabela finance.fraud_data executando o seguinte comando:

bq load --autodetect --source_format=CSV --max_bad_records=100000 finance.fraud_data gs://$PROJECT_ID/$DATA_FILE

A opção --autodetect lê de modo automático o esquema da tabela (nomes de variáveis, tipos etc.).

Opção 2: interface do usuário do BigQuery

É possível carregar dados do bucket do Cloud Storage abrindo o BigQuery no console do Cloud.

1. Clique no nó “Expandir” próximo ao ID do projeto na seção “Explorador”.
2. Clique em Conferir ações ao lado do conjunto de dados finance e pressione Criar tabela.

3. Na janela pop-up “Criar tabela”, defina Source como Google Cloud Storage e selecione o arquivo CSV bruto no bucket do Cloud Storage.

4. Insira o nome da tabela como fraud_data e selecione a opção Detecção automática em “Esquema” para que os nomes das variáveis sejam lidos de modo automático na primeira linha do arquivo bruto.

5. Selecione Criar tabela.

O processo de carregamento pode levar um ou dois minutos.

6. Depois de concluído, na visualização do painel “Explorador” no BigQuery, clique no conjunto de dados finance e encontre a tabela fraud_data para visualizar os metadados e os dados da tabela.

Clique em Verificar meu progresso para conferir o objetivo. Carregar dados em tabelas do BigQuery

Tarefa 4: explorar e investigar os dados com o BigQuery

Se você ainda não abriu o BigQuery no console do Cloud, faça isso agora.

1. Clique em Menu de navegação > BigQuery.

Em seguida, você vai começar a explorar os dados para entendê-los melhor e prepará-los para modelos de machine learning.

2. Adicione as seguintes consultas ao EDITOR de consultas, clique em EXECUTAR e explore os dados.

3. Clique em COMPOR NOVA CONSULTA para iniciar a próxima consulta. Isso permite a comparação fácil dos resultados após a conclusão.

• Qual é o número de transações fraudulentas em cada tipo de transação?

SELECT type, isFraud, count(*) as cnt FROM `finance.fraud_data` GROUP BY isFraud, type ORDER BY type

Procure na coluna isFraud 1 = sim.

• Execute o seguinte comando para conferir a proporção de atividades fraudulentas nos tipos de transação TRANSFER e CASH_OUT (fornece as contagens de isFraud):

SELECT isFraud, count(*) as cnt FROM `finance.fraud_data` WHERE type in ("CASH_OUT", "TRANSFER") GROUP BY isFraud

• Execute o seguinte comando para conferir os dez principais valores máximos de transações:

SELECT * FROM `finance.fraud_data` ORDER BY amount desc LIMIT 10

MOMENTO DE REFLEXÃO:

• Você notou algum valor de saldo interessante nas transações? Como fazer uma transação com o saldo da conta de origem zerado? Por que o saldo da conta de destino permanece zerado após a transferência do dinheiro? Esses casos devem ser sinalizados e adicionados como novos atributos na próxima etapa.
• Você acha que os dados estão desequilibrados? Sim. A proporção de transações fraudulentas é muito inferior a 1%? Ao dividir o número de isfraud pelo número total de observações, você tem como resultado a proporção de transações fraudulentas.

Na próxima seção, você vai aprender a lidar com essas questões e melhorar os dados para modelos de machine learning.

Clique em Verificar meu progresso para conferir o objetivo. Explorar e investigar os dados com o BigQuery

Tarefa 5: preparar os dados

É possível melhorar os dados de modelagem adicionando novos atributos, filtrando tipos de transações desnecessários e aumentando a proporção da variável de destino isFraud por meio da aplicação da subamostragem.

Com base nas descobertas da fase de análise, você só precisa analisar os tipos de transação "TRANSFER" e "CASH_OUT" e filtrar o restante. Também é possível calcular novas variáveis com base nos valores atuais.

O conjunto de dados contém um destino de fraude extremamente desequilibrado (taxa de fraude nos dados brutos = 0,0013%). Ter eventos raros é comum em fraudes. A fim de tornar o padrão de comportamento fraudulento mais óbvio para os algoritmos de machine learning, além de facilitar a interpretação dos resultados, estratifique os dados e aumente a proporção das flags fraudulentas.

1. Na próxima etapa, crie uma nova consulta, adicione o seguinte código para incluir novos atributos nos dados, filtre os tipos de transação desnecessários e selecione um subconjunto das transações não fraudulentas com subamostragem:

CREATE OR REPLACE TABLE finance.fraud_data_sample AS SELECT type, amount, nameOrig, nameDest, oldbalanceOrg as oldbalanceOrig, #standardize the naming. newbalanceOrig, oldbalanceDest, newbalanceDest, # add new features: if(oldbalanceOrg = 0.0, 1, 0) as origzeroFlag, if(newbalanceDest = 0.0, 1, 0) as destzeroFlag, round((newbalanceDest-oldbalanceDest-amount)) as amountError, generate_uuid() as id, #create a unique id for each transaction. isFraud FROM finance.fraud_data WHERE # filter unnecessary transaction types: type in("CASH_OUT","TRANSFER") AND # undersample: (isFraud = 1 or (RAND()< 10/100)) # select 10% of the non-fraud cases

2. Execute a consulta.

3. Crie uma tabela de dados TEST selecionando uma amostra aleatória de 20%:

CREATE OR REPLACE TABLE finance.fraud_data_test AS SELECT * FROM finance.fraud_data_sample where RAND() < 20/100

4. Execute a consulta.

Esses dados vão ser mantidos separados e não vão ser incluídos no treinamento. Você vai usá-los para pontuar o modelo na fase final.

O BigQuery ML e o AutoML vão particionar os dados do modelo de modo automático como TRAIN e VALIDATE usando os algoritmos de machine learning para testar a taxa de erro nos dados de treinamento e de validação e evitar overfitting.

5. Execute o seguinte comando para criar dados de amostra:

CREATE OR REPLACE TABLE finance.fraud_data_model AS SELECT * FROM finance.fraud_data_sample EXCEPT distinct select * from finance.fraud_data_test

Os dados de amostra criados para modelagem contêm aproximadamente 228 mil linhas de transações bancárias.

Também é possível particionar o conjunto de dados de modo manual como TRAIN/VALIDATE e TEST, em especial a fim de comparar modelos de diferentes ambientes, como AutoML ou AI Platform, e ter consistência.

MOMENTO DE REFLEXÃO:

• Como lidar com a ausência de eventos de fraude rotulados nos dados? Se não houver transações rotuladas, use técnicas de modelagem não supervisionada para analisar as anomalias nos dados, como clustering k-means. Na próxima seção, você vai testar esse método.

Clique em Verificar meu progresso para conferir o objetivo. Preparar os dados

Tarefa 6: treinar um modelo não supervisionado para detectar anomalias

Métodos não supervisionados são usados com frequência na detecção de fraudes, a fim de ajudar na exploração de comportamentos anormais nos dados. Eles também são úteis quando não há rótulos de fraude ou a taxa de eventos é muito baixa e o número de ocorrências não permite a criação de um modelo supervisionado.

Nesta seção, você vai usar o algoritmo de clustering k-means para criar segmentos de transações, analisar cada segmento e detectar quais deles têm anomalias.

1. Crie uma consulta e execute o seguinte código no BigQuery com CREATE ou REPLACE MODEL e defina model_type como kmeans:

CREATE OR REPLACE MODEL finance.model_unsupervised OPTIONS(model_type='kmeans', num_clusters=5) AS SELECT amount, oldbalanceOrig, newbalanceOrig, oldbalanceDest, newbalanceDest, type, origzeroFlag, destzeroFlag, amountError FROM `finance.fraud_data_model`

Isso vai criar um modelo k-means chamado model_unsupervised com cinco clusters que usam as variáveis selecionadas de fraud_data_model.

Observação: o treinamento do modelo levará alguns minutos para ser concluído.

Depois do treinamento do modelo, ele será exibido em Finanças > Modelos.

2. Clique em model_unsupervised e, em seguida, na guia AVALIAÇÃO.

O algoritmo k-means cria uma variável de saída chamada centroid_id. Cada transação recebe um centroid_id. As transações semelhantes/mais próximas umas das outras são atribuídas ao mesmo cluster pelo algoritmo.

O índice Davies-Bouldin mostra uma indicação do nível de homogeneidade dos clusters. Quanto menor o valor, mais distantes os clusters estão uns dos outros, o que é o resultado pretendido.

Os atributos numéricos são exibidos com gráficos de barras para cada centroide (cluster) na guia “Avaliação”. Os números próximos às barras mostram o valor médio das variáveis em cada cluster. Como prática recomendada, é possível padronizar ou agrupar as variáveis de entrada em buckets a fim de evitar o impacto de grandes números ou outliers nos cálculos de distância para clustering. Para simplificar, este laboratório usa as variáveis originais do exercício.

As variáveis categóricas usadas como entrada são exibidas de modo separado. É possível conferir a distribuição das transações TRANSFER e CASH_OUT em cada segmento abaixo.

Embora os gráficos possam parecer diferentes para o modelo, concentre-se nos segmentos menores e tente interpretar as distribuições.

A variável de destino isFraud não foi usada neste modelo não supervisionado. Neste exercício, é recomendado manter essa variável para a criação de perfil e utilizá-la ao explorar a distribuição de atividades fraudulentas em cada cluster.

3. Pontue os dados de teste (fraud_data_test) usando esse modelo e confira o número de eventos de fraude em cada centroid_id. Os algoritmos de clustering criam grupos homogêneos de observações. Nesta consulta, ML.PREDICT vai chamar o modelo e gerar o centroid_id para cada transação nos dados de teste.

4. Execute o seguinte código na nova consulta:

SELECT centroid_id, sum(isfraud) as fraud_cnt, count(*) total_cnt FROM ML.PREDICT(MODEL `finance.model_unsupervised`, ( SELECT * FROM `finance.fraud_data_test`)) group by centroid_id order by centroid_id

MOMENTO DE REFLEXÃO:

• Qual cluster você considera mais interessante? A resposta certa são os clusters pequenos com altos valores de erro.

Clique em Verificar meu progresso para conferir o objetivo. Treinar um modelo não supervisionado para detectar anomalias

Tarefa 7: treinar um modelo supervisionado de machine learning

Agora tudo está pronto para você começar a criar modelos supervisionados usando o BigQuery ML a fim de prever a probabilidade de transações fraudulentas. Comece com um modelo simples: use o BigQuery ML para criar um modelo de regressão logística binária voltado à classificação. Esse modelo vai tentar prever se a transação provavelmente é fraudulenta ou não.

Para todas as variáveis não numéricas (categóricas), o BigQuery ML executa de modo automático uma transformação de codificação one-hot. Essa transformação gera um atributo separado para cada valor único na variável. Neste exercício, a codificação one-hot será executada de modo automático pelo BigQuery ML para a variável TYPE.

1. Para criar seu primeiro modelo supervisionado, execute a seguinte instrução SQL no BigQuery:

CREATE OR REPLACE MODEL finance.model_supervised_initial OPTIONS(model_type='LOGISTIC_REG', INPUT_LABEL_COLS = ["isfraud"] ) AS SELECT type, amount, oldbalanceOrig, newbalanceOrig, oldbalanceDest, newbalanceDest, isFraud FROM finance.fraud_data_model Observação: o BigQuery leva alguns minutos para criar e treinar esse modelo de regressão logística.

Quando tudo estiver pronto, a tabela model_supervised_initial será adicionada em Finanças > Modelos.

Depois que o modelo for criado, será possível acessar os metadados, o treinamento e as estatísticas de avaliação do modelo na interface do console do BigQuery.

2. Clique em model_supervised_initial no painel esquerdo e, depois, na guia Detalhes, Treinamento, Avaliação ou Esquema para saber mais.

Na guia Avaliação, é possível encontrar várias métricas de desempenho específicas do modelo de classificação.

Compreender o desempenho do modelo é um tópico importante no machine learning. Como você executou uma regressão logística para classificação, é útil entender os seguintes conceitos importantes:

• precisão: a precisão identifica a proporção de casos positivos selecionados em que o modelo estava correto.
• recall: uma métrica que responde à pergunta “de todos os rótulos reais positivos possíveis, quantos o modelo identificou corretamente?”.
• acurácia: a acurácia é a proporção geral de previsões corretas.
• pontuação F1: uma medida da acurácia do modelo. A pontuação f1 é a média harmônica da precisão e do recall, assumindo valores de 0 a 1, em que quanto maior melhor.
• ROC AUC: a área sob a curva ROC. Fornece informações sobre a capacidade de discriminação de um classificador binário considerando diferentes limites, assumindo valores entre 0 e 1, em que quanto maior melhor. Para um modelo moderado, a expectativa seria ter um valor de ROC superior a 0,7.

O gráfico nesta página da Wikipédia explica muito bem os conceitos de precisão e recall.

O valor de ROC para este modelo de regressão é muito alto. É possível compreender melhor a acurácia testando os resultados com relação a diferentes limites de probabilidade.

Agora, observe os atributos mais influentes do modelo.

3. Execute a seguinte consulta para verificar a importância do atributo:

SELECT * FROM ML.WEIGHTS(MODEL `finance.model_supervised_initial`, STRUCT(true AS standardize))

Os pesos são padronizados para eliminar o impacto da escala das variáveis por meio da opção Padronizar. Os pesos maiores são os mais importantes. O sinal do peso indica a direção, dependendo da relação direta ou inversa com o destino.

MOMENTO DE REFLEXÃO:

• Quais duas variáveis parecem ser as mais importantes? oldbalanceOrig e type são as variáveis mais importantes.

Clique em Verificar meu progresso para conferir o objetivo. Treinar um modelo supervisionado de machine learning

Tarefa 8: aprimorar o modelo

Agora é hora de um exercício divertido: crie um modelo e treine os dois modelos para conseguir uma acurácia melhor.

• Crie um modelo de otimização de gradiente executando o seguinte comando:

CREATE OR REPLACE MODEL finance.model_supervised_boosted_tree OPTIONS(model_type='BOOSTED_TREE_CLASSIFIER', INPUT_LABEL_COLS = ["isfraud"] ) AS SELECT type, amount, oldbalanceOrig, newbalanceOrig, oldbalanceDest, newbalanceDest, isFraud FROM finance.fraud_data_model Observação: o treinamento do modelo leva alguns minutos para ser concluído.

A seguir, compare os dois modelos que você criou e escolha o melhor.

Tarefa 9: avaliar os modelos supervisionados de machine learning

Melhore o modelo de regressão logística atual adicionando novas variáveis.

Depois de criar o modelo, será possível avaliar o desempenho do classificador usando a função ML.EVALUATE. A função ML.EVALUATE avalia o resultado ou os valores previstos em relação aos dados reais.

• Execute as consultas a seguir para anexar os resultados dos dois modelos em uma única tabela e escolha o modelo mais adequado para uso ao pontuar novos dados.

CREATE OR REPLACE TABLE finance.table_perf AS SELECT "Initial_reg" as model_name, * FROM ML.EVALUATE(MODEL `finance.model_supervised_initial`, ( SELECT * FROM `finance.fraud_data_model` )) insert finance.table_perf SELECT "improved_reg" as model_name, * FROM ML.EVALUATE(MODEL `finance.model_supervised_boosted_tree`, ( SELECT * FROM `finance.fraud_data_model` ))

MOMENTO DE REFLEXÃO:

• Qual modelo apresentou o melhor desempenho? No início, você executou um modelo de regressão. Em seguida, você adicionou mais variáveis e treinou um novo modelo usando a regressão (o modelo supervisionado). Por fim, você usou uma árvore otimizada como o segundo modelo supervisionado. Ao comparar as tabelas de desempenho, o modelo de árvore otimizada apresenta um desempenho melhor. A adição de novos atributos adicionais melhorou a acurácia do modelo.

Tarefa 10: prever transações fraudulentas em dados de teste

A última etapa do machine learning é usar o modelo mais adequado para prever a saída em novos conjuntos de dados.

Os algoritmos de machine learning no BQML criam uma variável aninhada chamada predicted_<target_name\>_probs. Essa variável inclui as pontuações de probabilidade para a decisão do modelo. A decisão do modelo é relacionada a transações fraudulentas ou genuínas.

• Execute a consulta a seguir no BigQuery para conferir a previsão de transações fraudulentas nos dados de teste criados no início do laboratório. A instrução WHERE abaixo vai fornecer as transações com as maiores pontuações de probabilidade:

SELECT id, label as predicted, isFraud as actual FROM ML.PREDICT(MODEL `finance.model_supervised_initial`, ( SELECT * FROM `finance.fraud_data_test` ) ), unnest(predicted_isfraud_probs) as p where p.label = 1 and p.prob > 0.5

MOMENTO DE REFLEXÃO:

• Qual é a proporção de atividades fraudulentas no conjunto de transações previsto? Menos de 3%.
• Quanto a taxa de eventos aumentou no conjunto de linhas previsto em comparação com os dados de teste gerais? Mais de 95%.

Clique em Verificar meu progresso para conferir o objetivo. Prever transações fraudulentas em dados de teste

Parabéns!

Próximas etapas

• Saiba mais sobre o machine learning no Google Developers Crash Course.

Treinamento e certificação do Google Cloud

Esses treinamentos ajudam você a aproveitar as tecnologias do Google Cloud ao máximo. Nossas aulas incluem habilidades técnicas e práticas recomendadas para ajudar você a alcançar rapidamente o nível esperado e continuar sua jornada de aprendizado. Oferecemos treinamentos que vão do nível básico ao avançado, com opções de aulas virtuais, sob demanda e por meio de transmissões ao vivo para que você possa encaixá-las na correria do seu dia a dia. As certificações validam sua experiência e comprovam suas habilidades com as tecnologias do Google Cloud.

Manual atualizado em 12 de outubro de 2023

Laboratório testado em 12 de outubro de 2023

Copyright 2024 Google LLC. Todos os direitos reservados. Google e o logotipo do Google são marcas registradas da Google LLC. Todos os outros nomes de produtos e empresas podem ser marcas registradas das respectivas empresas a que estão associados.