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.
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.
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.
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.
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.
Neste curso, apresentamos os recursos de inteligência artificial (IA) e machine learning (ML) no Google Cloud que ajudam o ciclo de vida de dados para IA usando aspectos importantes da inteligência artificial, como fundamentos, desenvolvimento e soluções. Vamos conhecer as tecnologias, produtos e ferramentas disponíveis para criar um modelo e um pipeline de ML, além de um projeto de IA generativa baseado nas metas de cada usuário, sejam eles cientistas de dados, desenvolvedores de IA ou engenheiros de machine learning.
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.
Este curso prepara estudantes para criar soluções altamente confiáveis e eficientes no Google Cloud usando padrões de projeto comprovados. Ele é uma continuação do curso "Architecting with Google Compute Engine" ou "Architecting with Google Kubernetes Engine" e exige experiência prática com as tecnologias abordadas nesses dois cursos. Com uma combinação de apresentações, atividades de criação e laboratórios práticos, os participantes aprendem a definir e equilibrar requisitos técnicos e comerciais para projetar implantações do Google Cloud que sejam seguras, econômicas e altamente confiáveis e disponíveis.
Em muitas organizações de TI, os objetivos não estão alinhados entre desenvolvedores, que buscam por agilidade, e operadores, que focam na estabilidade. A engenharia de confiabilidade do site (SRE) é o método usado pelo Google para alinhar incentivos entre o desenvolvimento e as operações, além de prestar suporte essencial à produção. A adoção das práticas culturais e técnicas de SRE pode ajudar a melhorar a colaboração entre os departamentos comercial e de TI. Neste curso, apresentamos as principais práticas de SRE do Google e o papel importante que os líderes de TI e de negócios desempenham em uma adoção organizacional de SRE bem-sucedida.
O curso "Google Cloud Fundamentals: Core Infrastructure" é uma apresentação da terminologia e de conceitos importantes para trabalhar com o Google Cloud. Usando vídeos e laboratórios práticos, o curso apresenta e compara vários serviços de armazenamento e computação do Google Cloud, além de ferramentas importantes para o gerenciamento de políticas e recursos.
Esta Quest é perfeita para desenvolvedores de nuvem iniciantes em busca de treinamento prático que vai além do Getting Started - Create and Manage Cloud Resources. Você ganhará experiência prática com laboratórios que detalham o Cloud Storage e outros serviços de aplicativos fundamentais, como o Stackdriver e o Cloud Functions. Com esta Quest, você desenvolve habilidades valiosas, que poderá aplicar em qualquer iniciativa do GCP. Complete esta missão, incluindo o laboratório de desafios no final, para receber um selo digital exclusivo do Google Cloud. Assista também os vídeos rápidos que explicam os conceitos principais dos laboratórios.
Nesta Quest de nível introdutório, você terá acesso a treinamentos práticos com os principais serviços e ferramentas do Google Cloud Platform. A Quest "GCP Essentials" é a primeira recomendação para quem está aprendendo a usar o Google Cloud. Com ela, quem tem pouco ou nenhum conhecimento sobre nuvem ganha experiência prática para aplicar no primeiro projeto do GCP. Esta Quest proporciona um contato inicial com os recursos fundamentais da plataforma, como o registro de comandos do Cloud Shell, a implementação da sua primeira máquina virtual, a execução de aplicativos no Kubernetes Engine e o balanceamento de carga. Assista também os vídeos rápidos que explicam os conceitos principais de cada laboratório.