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.
Neste curso, os participantes vão conhecer as ferramentas de MLOps e as práticas recomendadas para a implantação, a avaliação, o monitoramento e a operação de sistemas de ML de produção no Google Cloud. MLOps é uma disciplina com foco na implantação, teste, monitoramento e automação de sistemas de ML em produção. Também incluímos experiências práticas de uso da ingestão de streaming do Vertex AI Feature Store na camada do SDK.
Neste curso, os participantes vão conhecer as ferramentas de MLOps e as práticas recomendadas para a implantação, a avaliação, o monitoramento e a operação de sistemas de ML de produção no Google Cloud. MLOps é uma disciplina com foco na implantação, no teste, no monitoramento e na automação de sistemas de ML em produção. Profissionais de engenharia de machine learning usam ferramentas para fazer melhorias contínuas e avaliações de modelos implantados. São profissionais que trabalham com ciências de dados e desenvolvem modelos para garantir a velocidade e o rigor na implantação de modelos com melhor desempenho.
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.
Neste curso, vamos conhecer os componentes e as práticas recomendadas para criar sistemas de ML com alto desempenho em ambientes de produção. Vamos abordar algumas considerações comuns relacionadas à criação desses sistemas, como treinamento estático e dinâmico, inferência estática e dinâmica, TensorFlow distribuído e TPUs. O objetivo deste curso é conhecer as características de um sistema de ML eficiente, que vão muito além da capacidade de fazer boas previsões.
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.
Este curso aborda o fluxo de trabalho de machine learning no dia a dia de forma prática: um estudo de caso em que uma equipe tem vários casos de uso e exigências comerciais em ML. A equipe precisa conhecer as ferramentas adequadas para o gerenciamento e a governança de dados, além de saber qual a melhor abordagem para o processamento de dados: desde fornecer uma visão geral do Dataflow e do Dataprep até usar o BigQuery para tarefas pré-processadas. A equipe tem três opções para criar modelos de machine learning em dois casos de uso específicos. Neste curso, você vai entender por que uma equipe escolhe o AutoML, o BigQuery ML ou o treinamento personalizado para alcançar seus objetivos. O curso aborda o treinamento personalizado de forma detalhada. Descrevemos os requisitos para treinamento personalizado, desde a estrutura e o armazenamento do código de treinamento, além do carregamento de grandes conjuntos de dados, até a exportação de um modelo de treinamento. Você vai desenvol…
Quer saber mais sobre o Feature Store da Vertex AI, como melhorar a acurácia dos seus modelos de machine learning e quais colunas de dados contêm os atributos mais úteis? No curso "Feature Engineering", falamos sobre atributos bons e ruins, além de mostrar como fazer o pré-processamento e a transformação deles para otimizar seus modelos. Esse curso tem conteúdo teórico e prático sobre a engenharia de atributos usando o BigQuery ML, Keras e TensorFlow.
Este curso aborda o design e a criação de um pipeline de dados de entrada com o TensorFlow 2.x, além de vários aspectos relacionados aos modelos de ML, por exemplo: como desenvolver esses modelos com o TensorFlow 2.x e o Keras, como melhorar a precisão deles; como criá-los para uso em escala e como desenvolver modelos de ML especializados.
O curso começa propondo a seguinte discussão: como melhorar a qualidade dos dados e fazer uma análise exploratória deles? Descrevemos o AutoML na Vertex AI e como criar, treinar e implantar um modelo de ML sem escrever nenhuma linha de código. Você vai conhecer os benefícios do BigQuery ML. Depois vamos falar sobre como otimizar um modelo de machine learning (ML) e como a generalização e a amostragem podem ajudar na avaliação de qualidade dos modelos de ML em treinamentos personalizados.