Présentation

Dans cet atelier, vous allez entraîner, évaluer et déployer un modèle de machine learning pour prédire le poids d'un bébé.

Objectifs

Au cours de cet atelier, vous allez :

• lancer une instance Vertex AI Workbench ;
• créer un ensemble de données BigQuery et un bucket GCS ;
• exporter des fichiers CSV vers GCS à partir de BigQuery ;
• entraîner le modèle sur Cloud AI Platform ;
• déployer le modèle entraîné.

Configurer l'atelier

Démarrer l'atelier

Pour chaque atelier, nous vous attribuons un nouveau projet Google Cloud et un nouvel ensemble de ressources pour une durée déterminée, sans frais.

1. Connectez-vous à Qwiklabs dans une fenêtre de navigation privée.

2. Vérifiez le temps imparti pour l'atelier (par exemple : 01:15:00) : vous devez pouvoir le terminer dans ce délai.
   Une fois l'atelier lancé, vous ne pouvez pas le mettre en pause. Si nécessaire, vous pourrez le redémarrer, mais vous devrez tout reprendre depuis le début.

3. Lorsque vous êtes prêt, cliquez sur Démarrer l'atelier.

4. Notez vos identifiants pour l'atelier (Nom d'utilisateur et Mot de passe). Ils vous serviront à vous connecter à Google Cloud Console.

5. Cliquez sur Ouvrir la console Google.

6. Cliquez sur Utiliser un autre compte, puis copiez-collez les identifiants de cet atelier lorsque vous y êtes invité.
   Si vous utilisez d'autres identifiants, des messages d'erreur s'afficheront ou des frais seront appliqués.

7. Acceptez les conditions d'utilisation et ignorez la page concernant les ressources de récupération des données.

Activer l'API AI Platform Training & Prediction

1. Dans la bibliothèque d'API, recherchez "API AI Platform Training & Prediction" et cliquez sur la carte API AI Platform Training & Prediction.

2. Cliquez sur Activer pour activer l'API. Si l'option Gérer s'affiche, l'API est déjà activée.

Tâche 1 : Créer un bucket de stockage

1. Dans la console Google Cloud, accédez au menu de navigation (), puis cliquez sur Cloud Storage.

2. Cliquez sur + Créer.

3. Saisissez un nom unique pour votre bucket, par exemple votre ID de projet.

4. Cliquez sur Créer.

5. Cliquez sur "Confirmer" pour Appliquer la protection contre l'accès public sur ce bucket dans le pop-up "L'accès public sera bloqué".

Tâche 2 : Lancer une instance Vertex AI Workbench

1. Dans le menu de navigation () de la console Google Cloud, sélectionnez Vertex AI.

2. Cliquez sur Activer toutes les API recommandées.

3. Dans le menu de navigation, cliquez sur Workbench.

   En haut de la page "Workbench", vérifiez que vous vous trouvez dans la vue Instances.

4. Cliquez sur Créer.

5. Configurez l'instance :

   • Nom : lab-workbench
   • Région : définissez la région sur
   • Zone : définissez la zone sur
   • Options avancées (facultatif) : si nécessaire, cliquez sur "Options avancées" pour une personnalisation plus avancée (par exemple, type de machine, taille du disque).

6. Cliquez sur Créer.

La création de l'instance prend quelques minutes. Une coche verte apparaît à côté de son nom quand elle est prête.

7. Cliquez sur Ouvrir JupyterLab à côté du nom de l'instance pour lancer l'interface JupyterLab. Un nouvel onglet s'ouvre alors dans votre navigateur.

8. Cliquez sur l'icône Python 3 pour lancer un nouveau notebook Python.

9. Effectuez un clic droit sur le fichier Untitled.ipynb dans la barre de menu et sélectionnez Renommer le notebook pour lui attribuer un nom significatif.

Votre environnement est configuré. Vous êtes maintenant prêt à utiliser votre notebook Vertex AI Workbench.

Cliquez sur Vérifier ma progression pour valider l'objectif. Lancer une instance Vertex AI Workbench

Tâche 3 : Cloner un dépôt du cours dans votre instance Vertex AI Workbench

Le dépôt GitHub contient le fichier de l'atelier et les fichiers de solution du cours.

1. Copiez et exécutez le code suivant dans la première cellule de votre notebook pour cloner le dépôt training-data-analyst.

!git clone https://github.com/GoogleCloudPlatform/training-data-analyst

2. Vérifiez que vous avez bien cloné le dépôt. Double-cliquez sur le répertoire training-data-analyst et assurez-vous que vous pouvez voir son contenu.

Cliquez sur Vérifier ma progression pour valider l'objectif. Cloner un dépôt du cours dans votre instance Vertex AI Workbench

Tâche 4 : Prédiction sur des données structurées à l'aide de Vertex AI Platform

1. Dans l'interface du notebook, accédez à training-data-analyst > courses > machine_learning > deepdive2 > production_ml > babyweight, puis ouvrez train_deploy.ipynb.

2. Dans la boîte de dialogue Select Kernel (Sélectionner le kernel), sélectionnez Python 3 dans la liste des kernels disponibles.

3. Dans le menu, cliquez sur Edit > Clear All Outputs (Modifier > Supprimer tous les éléments de sortie).

4. Lisez les instructions et appuyez sur Maj + Entrée (ou cliquez sur "Exécuter") pour chaque cellule du notebook.

Tâche 5 : Tester vos connaissances

Testez vos connaissances sur Google Cloud Platform en répondant à notre quiz.

Félicitations !

Vous avez appris à entraîner, à évaluer et à déployer un modèle de machine learning dans des notebooks Vertex AI.

Terminer l'atelier

Une fois l'atelier terminé, cliquez sur End Lab (Terminer l'atelier). Qwiklabs supprime les ressources que vous avez utilisées, puis efface le compte.

Si vous le souhaitez, vous pouvez noter l'atelier. Sélectionnez le nombre d'étoiles correspondant à votre note, saisissez un commentaire, puis cliquez sur Submit (Envoyer).

Le nombre d'étoiles que vous pouvez attribuer à un atelier correspond à votre degré de satisfaction :

• 1 étoile = très mécontent(e)
• 2 étoiles = insatisfait(e)
• 3 étoiles = ni insatisfait(e), ni satisfait(e)
• 4 étoiles = satisfait(e)
• 5 étoiles = très satisfait(e)

Si vous ne souhaitez pas donner votre avis, vous pouvez fermer la boîte de dialogue.

Pour soumettre des commentaires, suggestions ou corrections, veuillez utiliser l'onglet Support (Assistance).

Copyright 2020 Google LLC Tous droits réservés. Google et le logo Google sont des marques de Google LLC. Tous les autres noms d'entreprises et de produits peuvent être des marques des entreprises auxquelles ils sont associés.