가입 로그인

Lex Xai

회원 가입일: 2022

다이아몬드 리그

26215포인트
Machine Learning Operations (MLOps): Getting Started - 한국어 배지 Machine Learning Operations (MLOps): Getting Started - 한국어 Earned 4월 7, 2024 EDT
Recommendation Systems on Google Cloud 배지 Recommendation Systems on Google Cloud Earned 4월 3, 2024 EDT
Natural Language Processing on Google Cloud 배지 Natural Language Processing on Google Cloud Earned 3월 26, 2024 EDT
Computer Vision Fundamentals with Google Cloud 배지 Computer Vision Fundamentals with Google Cloud Earned 3월 25, 2024 EDT
Production Machine Learning Systems 배지 Production Machine Learning Systems Earned 3월 23, 2024 EDT
Machine Learning in the Enterprise - 한국어 배지 Machine Learning in the Enterprise - 한국어 Earned 3월 20, 2024 EDT
Feature Engineering - 한국어 배지 Feature Engineering - 한국어 Earned 3월 9, 2024 EST
TensorFlow on Google Cloud - 한국어 배지 TensorFlow on Google Cloud - 한국어 Earned 3월 5, 2024 EST
Launching into Machine Learning - 한국어 배지 Launching into Machine Learning - 한국어 Earned 2월 26, 2024 EST
Introduction to AI and Machine Learning on Google Cloud - 한국어 배지 Introduction to AI and Machine Learning on Google Cloud - 한국어 Earned 2월 18, 2024 EST
Implement Load Balancing on Compute Engine 배지 Implement Load Balancing on Compute Engine Earned 7월 6, 2023 EDT
Reliable Google Cloud Infrastructure: Design and Process - 한국어 배지 Reliable Google Cloud Infrastructure: Design and Process - 한국어 Earned 7월 6, 2023 EDT
Developing a Google SRE Culture 배지 Developing a Google SRE Culture Earned 7월 2, 2023 EDT
Google Cloud Fundamentals: Core Infrastructure - 한국어 배지 Google Cloud Fundamentals: Core Infrastructure - 한국어 Earned 6월 1, 2023 EDT
Perform Foundational Infrastructure Tasks in Google Cloud 배지 Perform Foundational Infrastructure Tasks in Google Cloud Earned 5월 13, 2023 EDT
GCP Essentials 배지 GCP Essentials Earned 2월 8, 2023 EST

이 과정에서는 Google Cloud에서 프로덕션 ML 시스템 배포, 평가, 모니터링, 운영을 위한 MLOps 도구와 권장사항을 소개합니다. MLOps는 프로덕션에서 ML 시스템을 배포, 테스트, 모니터링, 자동화하는 방법론입니다. 머신러닝 엔지니어링 전문가들은 배포된 모델의 지속적인 개선과 평가를 위해 도구를 사용합니다. 이들이 협력하거나 때론 그 역할을 하는 데이터 과학자는 고성능 모델을 빠르고 정밀하게 배포할 수 있도록 모델을 개발합니다.

자세히 알아보기

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.

자세히 알아보기

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.

자세히 알아보기

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.

자세히 알아보기

This course covers how to implement the various flavors of production ML systems— static, dynamic, and continuous training; static and dynamic inference; and batch and online processing. You delve into TensorFlow abstraction levels, the various options for doing distributed training, and how to write distributed training models with custom estimators. This is the second course of the Advanced Machine Learning on Google Cloud series. After completing this course, enroll in the Image Understanding with TensorFlow on Google Cloud course.

자세히 알아보기

이 과정에서는 다양한 ML 비즈니스 요구사항과 사용 사례를 다루는 ML팀의 우수사례를 중심으로 ML 워크플로에 대한 실용적이고 현실적인 접근 방식을 포괄적으로 소개합니다. 이 팀은 데이터 관리 및 거버넌스에 필요한 도구를 이해하고, Dataflow 및 Dataprep에 대한 개괄적인 지식과 BigQuery를 사용한 사전 처리 작업 등을 바탕으로 데이터 사전 처리를 위한 가장 효과적인 접근 방식을 검토해야 합니다. 팀은 두 가지 구체적인 사용 사례에 맞는 머신러닝 모델을 빌드하는 세 가지 옵션을 제공합니다. 이 과정에서는 팀이 목표 달성을 위해 AutoML, BigQuery ML 또는 커스텀 학습을 사용해야 하는 이유를 설명합니다. 커스텀 학습에 대해서도 자세히 설명합니다. 학습 코드 구조, 스토리지, 대용량 데이터 세트 로드에서 학습된 모델 내보내기에 이르기까지 커스텀 학습 요구사항을 설명합니다. Docker에 대한 지식이 거의 없어도 컨테이너 이미지를 빌드할 수 있는 커스텀 학습 머신러닝 모델을 빌드합니다. 우수사례팀에서 Vertex Vizier를 사용한 초매개변수 조정과 모델 성능을 개선하는 데 이를 어떻게 활용할 수 있는지 연구합니다. 모델 개선에 대한 이해를 높이기 위해 정규화와 희소성 처리, 그 외 많은 중요한 개념과 원칙 등 이론적인 내용도 자세히 살펴봅니다. 마지막으로 예측 및 모델 모니터링을 개략적으로 설명하고 Vertex AI를 사용하여 ML 모델을 관리하는 방법을 알아봅니다.

자세히 알아보기

Vertex AI Feature Store에 관해 알고 싶으신가요? ML 모델의 정확성을 개선할 방법을 알고 싶으신가요? 어떤 데이터 열에서 가장 유용한 특성이 나오는지 파악하려면 어떻게 해야 할까요? 특성 추출 과정에서는 좋은 특성과 나쁜 특성을 살펴보고 모델에서 이러한 특성을 적절하게 활용할 수 있도록 사전 처리하고 변환하는 방법을 알아봅니다. 이 과정은 BigQuery ML, Keras, TensorFlow를 사용한 특성 추출에 관한 콘텐츠와 실습이 포함되어 있습니다.

자세히 알아보기

이 과정에서는 TensorFlow 2.x 입력 데이터 파이프라인 빌드, TensorFlow 2.x 및 Keras를 사용한 ML 모델 빌드, ML 모델의 정확성 개선, 사용 사례 확장을 위한 ML 모델 작성, 전문 ML 모델 작성에 대해 다룹니다.

자세히 알아보기

이 과정에서는 먼저 데이터에 관해 논의하면서 데이터 품질을 개선하고 탐색적 데이터 분석을 수행하는 방법을 알아봅니다. Vertex AI AutoML과 코드를 한 줄도 작성하지 않고 ML 모델을 빌드하고, 학습시키고, 배포하는 방법을 설명합니다. 학습자는 Big Query ML의 이점을 이해할 수 있습니다. 그런 다음, 머신러닝(ML) 모델 최적화 방법과 일반화 및 샘플링으로 커스텀 학습용 ML 모델 품질을 평가하는 방법을 다룹니다.

자세히 알아보기

이 과정에서는 AI 기반, AI 개발, AI 솔루션으로 이루어진 데이터-AI 수명 주기를 지원하는 Google Cloud 기반 인공지능(AI) 및 머신러닝(ML) 제품군을 소개합니다. 데이터 과학자, AI 개발자, ML 엔지니어를 비롯한 다양한 사용자의 목적에 따라 ML 모델, ML 파이프라인, 생성형 AI 프로젝트를 빌드하는 데 사용할 수 있는 기술, 제품, 도구를 살펴봅니다.

자세히 알아보기

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.

자세히 알아보기

이 과정에서는 검증된 설계 패턴을 사용하여 Google Cloud에서 고도로 안정적이고 효율적인 솔루션을 빌드하는 데 필요한 역량을 키워줍니다. 'Google Compute Engine을 이용한 아키텍처 설계' 또는 'Google Kubernetes Engine을 이용한 아키텍처 설계' 과정과 이어지는 내용이며, 학습자가 두 과정에서 다루는 기술을 실무에서 사용해 본 경험이 있다는 전제로 진행됩니다. 학습자는 프레젠테이션, 설계 활동, 실습을 통해 고도로 안정적이고 안전하고 비용 효율적이며 가용성이 높은 Google Cloud 배포를 설계하는 데 필요한 비즈니스 요구사항과 기술 요구사항을 정의하고 이 사이의 적절한 균형을 유지하는 방법을 알아봅니다.

자세히 알아보기

In many IT organizations, incentives are not aligned between developers, who strive for agility, and operators, who focus on stability. Site reliability engineering, or SRE, is how Google aligns incentives between development and operations and does mission-critical production support. Adoption of SRE cultural and technical practices can help improve collaboration between the business and IT. This course introduces key practices of Google SRE and the important role IT and business leaders play in the success of SRE organizational adoption.

자세히 알아보기

Google Cloud Fundamentals: Core Infrastructure 과정은 Google Cloud 사용에 관한 중요한 개념 및 용어를 소개합니다. 이 과정에서는 동영상 및 실무형 실습을 통해 중요한 리소스 및 정책 관리 도구와 함께 Google Cloud의 다양한 컴퓨팅 및 스토리지 서비스를 살펴보고 비교합니다.

자세히 알아보기

‘시작하기 - 클라우드 리소스 만들기 및 관리하기’ 후에 완료할 실습을 찾고 있는 초보 클라우드 개발자라면 이 퀘스트가 안성맞춤입니다. Cloud Storage 및 Stackdriver와 Cloud Functions와 같은 핵심 애플리케이션 서비스를 자세히 살펴보는 실습을 통해 실무 경험을 쌓게 됩니다. 이 퀘스트를 완료하고 나면 어떤 Google Cloud 이니셔티브에도 적용할 수 있는 유용한 기술을 얻을 수 있습니다. 마지막에 제시되는 챌린지 실습을 포함해 이 퀘스트를 완료하면 특별한 Google Cloud 디지털 배지가 주어집니다. 1분 정도의 동영상을 통해 실습의 주요 개념을 알아볼 수 있습니다.

자세히 알아보기

가장 인기 있는 이 탐구 과정에서 Google Cloud를 처음으로 실습할 수 있습니다. Stackdriver 및 Kubernetes의 고급 개념으로 실습하여 VM 가동, 키 인프라 도구 구성과 같은 기본사항을 익혀 보세요.

자세히 알아보기