Reliable Google Cloud Infrastructure: Design and Process - Français
Earned juil. 6, 2023 EDT
Developing a Google SRE Culture - Français
Earned juil. 2, 2023 EDT
Google Cloud Fundamentals: Core Infrastructure - Français
Earned juin 1, 2023 EDT
Perform Foundational Infrastructure Tasks in Google Cloud
Earned mai 13, 2023 EDT
Google Cloud Essentials
Earned fév. 8, 2023 EST
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.
En savoir plus
In this course, you apply your knowledge of classification models and embeddings to build a ML pipeline that functions as a recommendation engine.
This is the fifth and final course of the Advanced Machine Learning on Google Cloud series.
En savoir plus
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.
En savoir plus
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.
En savoir plus
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.
En savoir plus
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…
En savoir plus
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.
En savoir plus
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.
En savoir plus
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.
En savoir plus
Ce cours présente les solutions d'intelligence artificielle (IA) et de machine learning (ML) de Google Cloud qui sous-tendent le cycle de vie "des données à l'IA" à travers les éléments de base, le développement et les solutions d'IA. Il explore les technologies, produits et outils disponibles pour créer un modèle de ML, un pipeline de ML ainsi qu'un projet d'IA générative basé sur les différents objectifs des utilisateurs, y compris les data scientists, développeurs en IA et ingénieurs en ML.
En savoir plus
Complete the introductory Implement Load Balancing on Compute Engine skill badge to demonstrate skills in the following: writing gcloud commands and using Cloud Shell, creating and deploying virtual machines in Compute Engine, and configuring network and HTTP load balancers. A skill badge is an exclusive digital badge issued by Google Cloud in recognition of your proficiency with Google Cloud products and services and tests your ability to apply your knowledge in an interactive hands-on environment. Complete this skill badge, and the final assessment challenge lab, to receive a skill badge that you can share with your network.
En savoir plus
Ce cours permet aux participants d'apprendre à créer des solutions hautement fiables et efficaces sur Google Cloud en s'appuyant sur des modèles de conception éprouvés. Il s'inscrit dans la continuité des cours "Architecting with Google Compute Engine" et "Architecting with Google Kubernetes Engine" et propose des expériences pratiques qui font appel aux technologies abordées dans chaque cours. À travers un ensemble de présentations, d'activités de conception et d'ateliers pratiques, les participants apprennent à définir des exigences techniques et commerciales, et à trouver un équilibre entre elles pour concevoir des déploiements Google Cloud hautement fiables et disponibles, sécurisés et économes.
En savoir plus
Dans bien des services informatiques, il existe des divergences entre les avantages souhaités par les développeurs, à savoir l'agilité, et ceux des opérateurs, qui recherchent la stabilité. L'ingénierie de la fiabilité des sites (SRE) permet à Google d'aligner les mesures incitatives entre le développement et les opérations, et de proposer une assistance à la production critique. Adopter des pratiques techniques et culturelles de l'ingénierie SRE permet d'améliorer la collaboration entre les équipes métiers et informatiques. Ce cours présente les pratiques clés de l'ingénierie SRE façon Google, ainsi que le rôle déterminant que jouent les responsables IT et les chefs d'entreprise dans la réussite de son adoption au sein de leur organisation.
En savoir plus
Le cours "Google Cloud Fundamentals: Core Infrastructure" présente les concepts et les termes à connaître pour utiliser Google Cloud. À travers des vidéos et des ateliers pratiques, il décrit et compare la plupart des services Google Cloud de calcul et de stockage, ainsi que des outils importants de gestion des ressources et des règles.
En savoir plus
Si vous êtes un développeur cloud débutant et que vous souhaitez vous faire la main au-delà de "Getting Started - Create and Manage Cloud Resources", cette quête est faite pour vous. Elle vous permettra d'acquérir de l'expérience pratique grâce aux ateliers qui traitent en profondeur de Cloud Storage et d'autres services applicatifs clés tels que Stackdriver et Cloud Functions. En participant à cette quête, vous développerez des compétences précieuses que vous pourrez utiliser dans tous vos projets Google Cloud. Terminez cette quête, y compris le laboratoire de défi à la fin, pour recevoir un badge numérique exclusif de Google Cloud. Des vidéos d'une minute résument les concepts clés de chaque atelier.
En savoir plus
Cette quête d'introduction se compose d'ateliers pratiques qui vous permettent de vous familiariser avec les outils et services de base de Google Cloud Platform. "GCP Essentials" est la première quête recommandée pour les personnes s'intéressant à Google Cloud. Vous pouvez la suivre sans aucune connaissance (ou presque) du cloud et, une fois la quête terminée, vous disposerez de compétences pratiques qui vous seront utiles pour n'importe quel projet GCP. De l'écriture de lignes de commande Cloud Shell au déploiement de votre première machine virtuelle en passant par l'exécution d'applications sur Kubernetes Engine avec l'équilibrage de charge, "GCP Essentials" constitue une excellente introduction aux fonctionnalités de base de la plate-forme. Des vidéos d'une minute résument les concepts clés de ces ateliers.
Machine Learning Operations (MLOps): Getting Started - Français
Earned avr. 7, 2024 EDT
Recommendation Systems on Google Cloud
Earned avr. 3, 2024 EDT
Natural Language Processing on Google Cloud
Earned mars 26, 2024 EDT
Computer Vision Fundamentals with Google Cloud
Earned mars 25, 2024 EDT
Production Machine Learning Systems - Français
Earned mars 23, 2024 EDT
Machine Learning in the Enterprise - Français
Earned mars 20, 2024 EDT
Feature Engineering - Français
Earned mars 9, 2024 EST
TensorFlow on Google Cloud - Français
Earned mars 5, 2024 EST
Launching into Machine Learning - Français
Earned fév. 26, 2024 EST
Introduction to AI and Machine Learning on Google Cloud - Français
Earned fév. 18, 2024 EST
Implement Load Balancing on Compute Engine
Earned juil. 6, 2023 EDT
Reliable Google Cloud Infrastructure: Design and Process - Français
Earned juil. 6, 2023 EDT
Developing a Google SRE Culture - Français
Earned juil. 2, 2023 EDT
Google Cloud Fundamentals: Core Infrastructure - Français
Earned juin 1, 2023 EDT
Perform Foundational Infrastructure Tasks in Google Cloud
Earned mai 13, 2023 EDT
Google Cloud Essentials
Earned fév. 8, 2023 EST