This course introduces the products and solutions to solve NLP problems on Google Cloud. Additionally, it explores the processes, techniques, and tools to develop an NLP project with neural networks by using Vertex AI and TensorFlow.
Ce cours présente les outils et les bonnes pratiques MLOps pour déployer, évaluer, surveiller et exploiter des systèmes de ML en production sur Google Cloud. Le MLOps est une discipline axée sur le déploiement, le test, la surveillance et l'automatisation des systèmes de ML en production. Les participants s'entraîneront à utiliser l'ingestion en flux continu de Vertex AI Feature Store au niveau du SDK.
Ce cours présente les outils et les bonnes pratiques MLOps pour déployer, évaluer, surveiller et exploiter des systèmes de ML en production sur Google Cloud. Le MLOps est une discipline axée sur le déploiement, le test, la surveillance et l'automatisation des systèmes de ML en production. Les ingénieurs en machine learning utilisent des outils pour améliorer et évaluer en permanence les modèles déployés. Ils collaborent avec des data scientists (ou peuvent occuper ce poste) qui développent des modèles permettant de déployer de manière rapide et rigoureuse les solutions de machine learning les plus performantes.
This course describes different types of computer vision use cases and then highlights different machine learning strategies for solving these use cases. The strategies vary from experimenting with pre-built ML models through pre-built ML APIs and AutoML Vision to building custom image classifiers using linear models, deep neural network (DNN) models or convolutional neural network (CNN) models. The course shows how to improve a model's accuracy with augmentation, feature extraction, and fine-tuning hyperparameters while trying to avoid overfitting the data. The course also looks at practical issues that arise, for example, when one doesn't have enough data and how to incorporate the latest research findings into different models. Learners will get hands-on practice building and optimizing their own image classification models on a variety of public datasets in the labs they will work on.
Dans ce cours, nous abordons en détail les composants et les bonnes pratiques de construction de systèmes de ML hautes performances dans des environnements de production. Nous verrons aussi certaines des considérations les plus courantes concernant la construction de ces systèmes, telles que l'entraînement statique, l'entraînement dynamique, l'inférence statique, l'inférence dynamique, les tâches TensorFlow distribuées et les TPU. Ce cours a pour objectif d'explorer les caractéristiques d'un bon système de ML, au-delà de sa capacité à effectuer des prédictions correctes.
Welcome to "CCAI Conversational Design Fundamentals", the first course in the "Customer Experiences with Contact Center AI" series. In this course, learn how to design customer conversational solutions using Contact Center Artificial Intelligence (CCAI). You will be introduced to CCAI and its three pillars (Dialogflow, Agent Assist, and Insights), and the concepts behind conversational experiences and how the study of them influences the design of your virtual agent. After taking this course you will be prepared to take your virtual agent design to the next level of intelligent conversation.
Ce cours présente une approche pratique du workflow de ML avec une étude de cas dans laquelle une équipe est confrontée à plusieurs exigences métier et cas d'utilisation de ML. Cette équipe doit comprendre quels outils sont nécessaires pour gérer et gouverner les données, et trouver la meilleure approche pour prétraiter les données, de la découverte de Dataflow et Dataprep à l'utilisation de BigQuery pour les opérations de prétraitement. On présente à cette équipe trois options de construction de modèles de machine learning pour deux cas d'utilisation spécifiques. Ce cours explique pourquoi l'équipe utiliserait AutoML, BigQuery ML ou l'entraînement personnalisé pour atteindre ses objectifs. Il permet de découvrir plus en détail l'entraînement personnalisé en décrivant les exigences correspondantes : structure du code d'entraînement, stockage, chargement de grands ensembles de données ou encore exportation d'un modèle entraîné. Vous construirez un modèle de machine learning pour…
Vous voulez en savoir plus sur Vertex AI Feature Store ? Vous souhaitez découvrir comment améliorer la précision de vos modèles de ML ? Comment déterminer les colonnes de données présentant les caractéristiques les plus utiles ? Bienvenue dans le cours "Feature Engineering", dans lequel vous apprendrez à distinguer les caractéristiques pertinentes de celles qui ne le sont pas. Vous verrez aussi comment les prétraiter et les transformer pour les utiliser de manière optimale dans vos modèles. Ce cours inclut du contenu et des ateliers portant sur l'extraction de caractéristiques à l'aide de BigQuery ML, Keras et TensorFlow.
Ce cours porte sur la conception et la création d'un pipeline de données d'entrée TensorFlow 2.x, la création de modèles de ML à l'aide de TensorFlow 2.x et Keras, l'amélioration de la précision des modèles de ML, l'écriture de modèles de ML pour une utilisation évolutive et l'écriture de modèles de ML spécialisés.
Au début de ce cours, vous trouverez une discussion concernant les données, expliquant comment améliorer leur qualité et comment effectuer des analyses exploratoires. Ensuite, nous vous présenterons Vertex AI AutoML et vous expliquerons comment créer, entraîner et déployer un modèle de machine learning (ML) sans écrire une ligne de code. Vous découvrirez également les avantages de BigQuery ML. Enfin, nous verrons comment optimiser un modèle de ML, et en quoi la généralisation ainsi que l'échantillonnage peuvent vous aider à évaluer la qualité des modèles de ML destinés à un entraînement personnalisé.