Inscreva-se Fazer login

Aplique suas habilidades no console do Google Cloud

Felipe Mancilla (Zenta Group)

Participante desde 2022

Liga Prata

48005 pontos
Operações de Machine Learning (MLOps) para IA Generativa Earned Oct 21, 2024 EDT
Como criar e implantar soluções de machine learning na Vertex AI Earned Oct 21, 2024 EDT
ML Pipelines on Google Cloud - Português Brasileiro Earned Oct 15, 2024 EDT
Natural Language Processing on Google Cloud Earned Sep 24, 2024 EDT
Operações de machine learning (MLOps) com a Vertex AI: como gerenciar atributos Earned Sep 10, 2024 EDT
Operações de machine learning (MLOps): introdução Earned Sep 9, 2024 EDT
Recommendation Systems on Google Cloud Earned Sep 5, 2024 EDT
Computer Vision Fundamentals with Google Cloud Earned Aug 31, 2024 EDT
Criação de sistemas de machine learning de produção Earned Aug 22, 2024 EDT
Dados de engenharia para modelagem preditiva com o BigQuery ML Earned Aug 20, 2024 EDT
Engenharia de atributos Earned Aug 16, 2024 EDT
Como criar, treinar e implantar modelos de ML com o Keras no Google Cloud Earned Aug 14, 2024 EDT
Launching into Machine Learning - Português Brasileiro Earned Aug 13, 2024 EDT
Introdução à IA e ao machine learning no Google Cloud Earned Aug 12, 2024 EDT
Preparar dados para APIs de ML no Google Cloud Earned Dec 20, 2023 EST
Criar um data warehouse com o BigQuery Earned Dec 20, 2023 EST
Processamento de dados sem servidor com o Dataflow: operações Earned Nov 15, 2023 EST
Processamento de dados sem servidor com o Dataflow: desenvolvimento de pipelines Earned Oct 23, 2023 EDT
Google Cloud Big Data and Machine Learning Fundamentals - Português Brasileiro Earned Oct 12, 2023 EDT
Preparação para sua jornada da certificação Professional Data Engineer Earned Oct 5, 2023 EDT
Processamento de dados sem servidor com o Dataflow: fundamentos Earned Oct 4, 2023 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud - Português Brasileiro Earned Oct 3, 2023 EDT
Como criar sistemas de análise de streaming resilientes no Google Cloud Earned Sep 30, 2023 EDT
Como criar pipelines de dados em lote no Google Cloud Earned Sep 24, 2023 EDT
Como modernizar data lakes e data warehouses com o Google Cloud Earned Aug 26, 2023 EDT
Introdução ao Vertex AI Studio Earned Jul 3, 2023 EDT
Generative AI Fundamentals - Português Brasileiro Earned Jun 9, 2023 EDT
Como criar modelos de legenda para imagens Earned Jun 5, 2023 EDT
Arquitetura de codificador-decodificador Earned Jun 4, 2023 EDT
Introdução à geração de imagens Earned Jun 4, 2023 EDT
Introdução à IA responsável Earned Jun 4, 2023 EDT
Modelos de transformador e modelo de BERT Earned May 17, 2023 EDT
Mecanismo de atenção Earned May 16, 2023 EDT
Introdução aos modelos de linguagem grandes Earned May 16, 2023 EDT
Introdução à IA generativa Earned May 16, 2023 EDT

O objetivo desse curso é equipar você com o conhecimento e as ferramentas necessários para resolver os desafios enfrentados por equipes de MLOps durante o desenvolvimento e gerenciamento de modelos de IA generativa. Também queremos mostrar como a Vertex AI ajuda equipes de IA a simplificar processos de MLOps e a alcançar o sucesso em projetos de IA generativa.

Saiba mais

Conquiste o selo de habilidade intermediário ao concluir o curso Como criar e implantar soluções de machine learning na Vertex AI. Nele você aprenderá a usar a plataforma Vertex AI, o AutoML e os serviços de treinamento personalizados para treinar, avaliar, ajustar, explicar e implantar modelos de machine learning. Esse curso com selo de habilidade é destinado a cientistas de dados e engenheiros de machine learning. Os selos de habilidade são digitais e exclusivos. Eles são emitidos pelo Google Cloud como forma de reconhecer sua proficiência com os produtos e serviços do Cloud e comprovam sua habilidade de aplicar seu conhecimento em um ambiente prático e interativo. Conclua o curso com selo de habilidade e o laboratório com desafio da avaliação final para receber um selo digital que pode ser compartilhado com sua rede.

Saiba mais

Neste curso, você vai aprender com engenheiros e instrutores de ML que trabalham com o desenvolvimento de última geração dos pipelines de ML aqui no Google Cloud. Nos primeiros módulos, vamos abordar o TensorFlow Extended (ou TFX), que é uma plataforma de machine learning do Google baseada no TensorFlow criada para gerenciar pipelines e metadados de ML. Você vai conhecer os componentes e a orquestração de um pipeline com o TFX. Também vamos abordar como é possível automatizar os pipelines usando a integração e a implantação contínuas e como gerenciar os metadados de ML. Depois disso, vamos mudar o foco para discutir como podemos automatizar e reutilizar os pipelines de ML em vários frameworks de machine learning, como tensorflow, pytorch, scikit-learn e xgboost. Você também vai aprender a usar outra ferramenta no Google Cloud, o Cloud Composer, para orquestrar seus pipelines de treinamento contínuo. Por fim, vamos mostrar como usar o MLflow para gerenciar o ciclo de vida completo do ma…

Saiba mais

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.

Saiba mais

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.

Saiba mais

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.

Saiba mais

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.

Saiba mais

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.

Saiba mais

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.

Saiba mais

Conclua o selo de habilidade intermediário Dados de engenharia para modelagem preditiva com o BigQuery ML para mostrar que você sabe: criar pipelines de transformação de dados no BigQuery usando o Dataprep by Trifacta; usar o Cloud Storage, o Dataflow e o BigQuery para criar fluxos de trabalho de extração, transformação e carregamento de dados (ELT); e criar modelos de machine learning usando o BigQuery ML. Os selos de habilidade são digitais e exclusivos. Eles são emitidos pelo Google Cloud como forma de reconhecer sua proficiência com os produtos e serviços do Cloud e comprovam sua habilidade de aplicar seu conhecimento em um ambiente prático e interativo. Conclua o curso com selo de habilidade e o laboratório com desafio da avaliação final para receber um selo digital que pode ser compartilhado com sua rede.

Saiba mais

O curso apresenta os benefícios de usar a Vertex AI Feature Store e ensina a melhorar a acurácia dos modelos de ML e a identificar as colunas de dados que apresentam os atributos mais úteis. Ele também oferece conteúdo teórico e laboratórios sobre engenharia de atributos com BigQuery ML, Keras e TensorFlow.

Saiba mais

Este curso ensina a criar modelos de ML com o TensorFlow e o Keras, melhorar a acurácia deles e desenvolver modelos para uso em escala.

Saiba mais

O curso começa com 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.

Saiba mais

Neste curso, apresentamos os recursos de IA e machine learning (ML) no Google Cloud que criam projetos de IA generativa e preditiva. Vamos conhecer as tecnologias, os produtos e as ferramentas disponíveis em todo o ciclo de vida de dados à IA, o que inclui os fundamentos dessa tecnologia, o desenvolvimento e as soluções dela. O objetivo é ajudar cientistas de dados, desenvolvedores de IA e engenheiros de ML a aprimorar habilidades e o conhecimento com experiências de aprendizado envolventes e exercícios práticos.

Saiba mais

Conquiste o selo de habilidade introdutório Preparar dados para APIs de ML no Google Cloud para demonstrar que você é capaz de: limpar dados com o Dataprep by Trifacta, executar pipelines de dados no Dataflow, criar clusters e executar jobs do Apache Spark no Dataproc e chamar APIs de ML, incluindo as APIs Cloud Natural Language, Google Cloud Speech-to-Text e Video Intelligence. Os selos de habilidade são digitais e exclusivos. Eles são emitidos pelo Google Cloud como forma de reconhecer sua proficiência com os produtos e serviços do Google Cloud e testam sua habilidade de aplicar esse conhecimento em um ambiente prático e interativo. Conclua este curso com selo de habilidade e o laboratório com desafio da avaliação final para receber um selo digital que pode ser compartilhado nas suas redes sociais e currículo.

Saiba mais

Conclua o selo de habilidade intermediário Criar um data warehouse com o BigQuery para mostrar que você sabe mesclar dados para criar novas tabelas; solucionar problemas de mesclagens; adicionar dados ao final com uniões; criar tabelas particionadas por data; além de trabalhar com JSON, matrizes e structs no BigQuery. Os selos de habilidade são digitais e exclusivos. Eles são emitidos pelo Google Cloud como forma de reconhecer sua proficiência nos produtos e serviços do Cloud, comprovando sua capacidade de aplicar o conhecimento em um ambiente prático e interativo. Conclua o curso com selo de habilidade e o laboratório com desafio da avaliação final para receber uma certificação digital que você pode compartilhar com seus contatos.

Saiba mais

Na última parte da série de cursos do Dataflow, vamos abordar os componentes do modelo operacional do Dataflow. Veremos ferramentas e técnicas para solucionar problemas e otimizar o desempenho do pipeline. Depois analisaremos as práticas recomendadas de teste, implantação e confiabilidade para pipelines do Dataflow. Por fim, faremos uma revisão dos modelos, que facilitam o escalonamento dos pipelines do Dataflow para organizações com centenas de usuários. Essas lições garantem que a plataforma de dados seja estável e resiliente a circunstâncias imprevistas.

Saiba mais

Na segunda parte desta série, vamos nos aprofundar no desenvolvimento de pipelines usando o SDK do Beam. Primeiro, vamos conferir um resumo dos conceitos do Apache Beam. Depois disso, falaremos sobre como processar dados de streaming usando janelas, marcas d’água e gatilhos. Em seguida, vamos ver as opções de origens e coletores para seus pipelines, além de esquemas para expressar seus dados estruturados e como fazer transformações com estado usando as APIs State e Timer. A próxima tarefa será conferir as práticas recomendadas para maximizar o desempenho do pipeline. No final do curso, apresentaremos as APIs SQL e Dataframes, que representam sua lógica de negócios no Beam. Além disso, veremos como desenvolver pipelines de maneira iterativa usando os notebooks do Beam.

Saiba mais

Este curso apresenta os produtos e serviços de Big Data e machine learning do Google Cloud que auxiliam no ciclo de vida de dados para IA. Ele explica os processos, os desafios e os benefícios de criar um pipeline de Big Data e modelos de machine learning com a Vertex AI no Google Cloud.

Saiba mais

Este curso ajuda estudantes a criar um plano de estudo para o exame de certificação PDE (Professional Data Engineer). É possível conferir a amplitude e o escopo dos domínios abordados no exame. Os estudantes também podem acompanhar os preparativos para o exame e criar planos de estudos individuais.

Saiba mais

Este é o primeiro de uma série de três cursos sobre processamento de dados sem servidor com o Dataflow. Nele, vamos relembrar o que é o Apache Beam e qual é a relação entre ele e o Dataflow. Depois, falaremos sobre a visão do Apache Beam e os benefícios do framework de portabilidade desse modelo de programação. Com esse processo, o desenvolvedor pode usar a linguagem de programação favorita com o back-end de execução que quiser. Em seguida, mostraremos como o Dataflow permite a separação entre a computação e o armazenamento para economizar dinheiro. Além disso, você vai aprender como as ferramentas de identidade, acesso e gerenciamento interagem com os pipelines do Dataflow. Por fim, vamos ver como implementar o modelo de segurança ideal para seu caso de uso no Dataflow.

Saiba mais

A incorporação de machine learning em pipelines de dados aumenta a capacidade de extrair insights dessas informações. Neste curso, mostramos as várias formas de incluir essa tecnologia em pipelines de dados do Google Cloud. Para casos de pouca ou nenhuma personalização, vamos falar sobre o AutoML. Para usar recursos de machine learning mais personalizados, vamos apresentar os Notebooks e o machine learning do BigQuery (BigQuery ML). No curso, você também vai aprender sobre a produção de soluções de machine learning usando a Vertex AI.

Saiba mais

O processamento de dados de streaming é cada vez mais usado pelas empresas para gerar métricas sobre as operações comerciais em tempo real. Neste curso, você vai aprender a criar pipelines de dados de streaming no Google Cloud. O Pub/Sub é apresentado como a ferramenta para gerenciar dados de streaming de entrada. No curso, também abordamos a aplicação de agregações e transformações a dados de streaming usando o Dataflow, além de formas de armazenar registros processados no BigQuery ou no Bigtable para análise. Os participantes vão ganhar experiência prática na criação de componentes de pipelines de dados de streaming no Google Cloud usando o Qwiklabs.

Saiba mais

Os pipelines de dados geralmente se encaixam em um desses três paradigmas: extração e carregamento (EL), extração, carregamento e transformação (ELT) ou extração, transformação e carregamento (ETL). Este curso descreve qual paradigma deve ser usado em determinadas situações e quando isso ocorre com dados em lote. Além disso, vamos falar sobre várias tecnologias no Google Cloud para transformação de dados, incluindo o BigQuery, a execução do Spark no Dataproc, gráficos de pipeline no Cloud Data Fusion e processamento de dados sem servidor com o Dataflow. Os participantes vão ganhar experiência prática na criação de componentes de pipelines de dados no Google Cloud usando o Qwiklabs.

Saiba mais

Os dois principais componentes de um pipeline de dados são data lakes e warehouses. Neste curso, destacamos os casos de uso para cada tipo de armazenamento e as soluções de data lake e warehouse disponíveis no Google Cloud de forma detalhada e técnica. Além disso, também descrevemos o papel de um engenheiro de dados, os benefícios de um pipeline de dados funcional para operações comerciais e analisamos por que a engenharia de dados deve ser feita em um ambiente de nuvem. Este é o primeiro curso da série "Engenharia de dados no Google Cloud". Após a conclusão, recomendamos que você comece o curso "Como criar pipelines de dados em lote no Google Cloud".

Saiba mais

Neste curso, vamos conhecer o Vertex AI Studio, uma ferramenta para interagir com modelos de IA generativa, prototipar ideias comerciais e colocá-las em produção. Com a ajuda de um caso de uso imersivo, lições interessantes e um laboratório, você vai conhecer o ciclo de vida do comando à produção, além de usar o Vertex AI Studio para aplicativos multimodais do Gemini, design e engenharia de comandos e ajuste de modelos. O objetivo é permitir que você descubra todo o potencial da IA generativa nos seus projetos com o Vertex AI Studio.

Saiba mais

Receba um selo de habilidade ao concluir os cursos "Introduction to Generative AI", "Introduction to Large Language Models" e "Introduction to Responsible AI". Consiga a aprovação nos testes finais dos cursos para demonstrar seu conhecimento sobre os conceitos básicos da IA generativa. Os selos de habilidades são digitais. Eles são emitidos pelo Google Cloud como forma de reconhecer sua capacidade de trabalhar com os produtos e serviços do Cloud. Torne seu perfil público e adicione os selos de habilidades às suas mídias sociais para mostrar seus conhecimentos.

Saiba mais

Neste curso, ensinamos a criar um modelo de legenda para imagens usando aprendizado profundo. Você vai aprender sobre os diferentes componentes de um modelo de legenda para imagens, como o codificador e decodificador, e de que forma treinar e avaliar seu modelo. Ao final deste curso, você será capaz de criar e usar seus próprios modelos de legenda para imagens.

Saiba mais

Este curso apresenta um resumo da arquitetura de codificador-decodificador, que é uma arquitetura de machine learning avançada e frequentemente usada para tarefas sequência para sequência (como tradução automática, resumo de textos e respostas a perguntas). Você vai conhecer os principais componentes da arquitetura de codificador-decodificador e aprender a treinar e disponibilizar esses modelos. No tutorial do laboratório relacionado, você vai codificar uma implementação simples da arquitetura de codificador-decodificador para geração de poesia desde a etapa inicial no TensorFlow.

Saiba mais

Neste curso, apresentamos os modelos de difusão, uma família de modelos de machine learning promissora no campo da geração de imagens. Os modelos de difusão são baseados na física, mais especificamente na termodinâmica. Nos últimos anos, eles se popularizaram no setor e nas pesquisas. Esses modelos servem de base para ferramentas e modelos avançados de geração de imagem no Google Cloud. Este curso é uma introdução à teoria dos modelos de difusão e como eles devem ser treinados e implantados na Vertex AI.

Saiba mais

Este é um curso de microaprendizagem introdutório que busca explicar a IA responsável: o que é, qual é a importância dela e como ela é aplicada nos produtos do Google. Ele também contém os 7 princípios de IA do Google.

Saiba mais

Este curso é uma introdução à arquitetura de transformador e ao modelo de Bidirectional Encoder Representations from Transformers (BERT, na sigla em inglês). Você vai aprender sobre os principais componentes da arquitetura de transformador, como o mecanismo de autoatenção, e como eles são usados para construir o modelo de BERT. Também vai conhecer as diferentes tarefas onde é possível usar o BERT, como classificação de texto, respostas a perguntas e inferência de linguagem natural. O curso leva aproximadamente 45 minutos.

Saiba mais

Este curso é uma introdução ao mecanismo de atenção, uma técnica avançada que permite que as redes neurais se concentrem em partes específicas de uma sequência de entrada. Você vai entender como a atenção funciona e como ela pode ser usada para melhorar o desempenho de várias tarefas de machine learning (como tradução automática, resumo de texto e resposta a perguntas).

Saiba mais

Este é um curso de microlearning de nível introdutório que explica o que são modelos de linguagem grandes (LLM), os casos de uso em que podem ser aplicados e como é possível fazer o ajuste de comandos para aprimorar o desempenho dos LLMs. O curso também aborda as ferramentas do Google que ajudam a desenvolver seus próprios apps de IA generativa.

Saiba mais

Este é um curso de microaprendizagem introdutório que busca explicar a IA generativa: o que é, como é usada e por que ela é diferente de métodos tradicionais de machine learning. O curso também aborda as ferramentas do Google que ajudam você a desenvolver apps de IA generativa.

Saiba mais