En este curso, se presentan las ofertas de Inteligencia Artificial (IA) y aprendizaje automático (AA) de Google Cloud que admiten el ciclo de vida de datos a IA a través de las bases de la IA, el desarrollo de la IA y las soluciones de IA. También se exploran las tecnologías, los productos y las herramientas disponibles para crear modelos y canalizaciones de AA, así como proyectos de IA generativa. Aprenderás a crear modelos de AutoML sin escribir una sola línea de código, a crear modelos de AA de BigQuery con SQL y a crear trabajos de entrenamiento personalizados de Vertex AI con Keras y TensorFlow. Además, explorarás técnicas de procesamiento previo de datos y de ingeniería de atributos.
Objetivos
Este curso enseña a los participantes las siguientes habilidades:
- Describir las tecnologías, los productos y las herramientas para crear modelos y canalizaciones de AA, así como proyectos de IA generativa.
- Comprender cuándo usar AutoML y BigQuery ML
- Crear conjuntos de datos administrados de Vertex AI
- Agregar atributos a Vertex AI Feature Store.
- Describir Analytics Hub, Dataplex y Data Catalog.
- Describir cómo mejorar el rendimiento de los modelos.
- Crear un notebook administrado por el usuario de Vertex AI Workbench, compilar un trabajo de entrenamiento personalizado y, luego, implementarlo con un contenedor de Docker.
- Describir las predicciones en línea y por lotes, así como la supervisión de modelos.
- Describir cómo mejorar la calidad de los datos y explorar tus datos.
- Desarrollar y entrenar modelos de aprendizaje supervisados.
- Optimizar y evaluar los modelos usando las funciones de pérdida y las métricas de rendimiento.
- Crear conjuntos de datos de entrenamiento, evaluación y pruebas repetibles y escalables.
- Implementar modelos de AA con TensorFlow o Keras.
- Comprender los beneficios de usar ingeniería de atributos.
- Explicar la supervisión de modelos con Vertex AI y Vertex AI Pipelines
Público
Esta clase está dirigida a la siguiente audiencia:
- Analistas, ingenieros y científicos de datos que deseen trabajar con aprendizaje automático.
- Personas interesadas en conocer el AA y usar Vertex AI, AutoML, BigQuery ML, Vertex AI Feature Store, Vertex AI Workbench, Dataflow, Vertex AI Vizier para el ajuste de hiperparámetros y TensorFlow/Keras.
Prerrequisitos
Para aprovechar al máximo este curso, los participantes deben cumplir con los siguientes criterios:
- Estar familiarizados con los conceptos básicos del aprendizaje automático.
- Tener conocimientos básicos sobre lenguajes de programación, de preferencia Python.
Duración
40 horas (5 dias)
Inversión
Vea el valor actualizado y los próximos cierres para las clases abiertas en nuestra página de registro.
Si está interesado en una clase cerrada para su empresa, contáctenos.
Resumen del curso
El curso incluye presentaciones, demostraciones y laboratorios prácticos.
- Describe the purpose and capabilities of Google Cloud’s operations suite.
- Explain the purpose of the Cloud Monitoring tool.
- Explain the purpose of Cloud Logging and Error Reporting tools.
- Explain the purpose of Application Performance Management tools.
- Use Cloud Monitoring to view metrics for multiple cloud projects.
- Explain the different types of dashboards and charts that can be built.
- Create an uptime check.
- Explain the cloud operations architecture.
- Explain and demonstrate the purpose of using Monitoring Query Language (MQL) for monitoring.
- Explain alerting strategies.
- Explain alerting policies.
- Explain error budget.
- Explain why server-level indicators (SLIs), service-level objectives (SLOs), and service-level agreements (SLAs) are important.
- Identify types of alerts and common uses for each.
- Use Cloud Monitoring to manage services.
- Use Log Explorer features.
- Explain the features and benefits of logs-based metrics.
- Define log sinks (inclusion filters) and exclusion filters.
- Explain how BigQuery can be used to analyze logs.
- Export logs to BigQuery for analysis.
- Use log analytics on Google Cloud.
- Explain Cloud Audit Logs.
- List and explain different audit logs.
- Explain the features and functionalities of the different audit logs.
- List the best practices to implement audit logs.
- Use the Ops Agent with Compute Engine.
- Enable and use Kubernetes Monitoring.
- Explain the benefits of using Google Cloud Managed Service for Prometheus.
- Explain the usage of PromQL to query Cloud Monitoring metrics.
- Explain the uses of Open Telemetry.
- Explain custom metrics.
- Collect and analyze VPC Flow Logs and firewall rules logs.
- Enable and monitor Packet Mirroring.
- Explain the capabilities of the Network Intelligence Center
- Explain the features, benefits, and functionalities of Error Reporting, Cloud Trace, and Cloud Profiler.
- Analyze resource utilization cost for monitoring related components within Google Cloud.
- Implement best practices for controlling the cost of monitoring within Google Cloud.