Este curso apresenta os produtos e serviços de big data e machine learning do Google Cloud que suportam o ciclo de vida de dados para IA. Ele explora os processos, desafios e benefícios de construir uma pipeline de big data e modelos de machine learning com o Vertex AI no Google Cloud.
Objetivos
Neste curso, os participantes aprenderão as seguintes habilidades:
- Identificar o ciclo de vida de dados para IA no Google Cloud e os principais produtos de big data e machine learning.
- Desenhar pipelines de streaming com Dataflow e Pub/Sub.
- Analisar big data em escala com BigQuery.
- Identificar diferentes opções para construir soluções de machine learning no Google Cloud.
- Descrever um fluxo de trabalho de machine learning e as etapas principais com o Vertex AI.
- Construir uma pipeline de machine learning usando AutoML.
Público-Alvo
Esta aula destina-se ao seguinte público:
- Analistas de dados, cientistas de dados e analistas de negócios que estão começando com o Google Cloud.
- Indivíduos responsáveis por desenhar pipelines e arquiteturas para processamento de dados, criar e manter modelos de machine learning e modelos estatísticos, consultar conjuntos de dados, visualizar resultados de consultas e criar relatórios.
- Executivos e tomadores de decisão de TI que estão avaliando o Google Cloud para uso por cientistas de dados.
Pré-requisitos
Para aproveitar ao máximo este curso, os participantes precisam atender aos seguintes critérios:
- Linguagem de consulta a banco de dados, como SQL.
- Fluxo de trabalho de engenharia de dados, desde a extração, transformação e carga, até a análise, modelagem e implantação.
- Modelos de machine learning, como modelos supervisionados versus não supervisionados.
Duração
8 horas
Investimento
Consulte o valor atualizado e datas das próximas turmas abertas em nossa página de inscrições.
Caso tenha interesse em uma turma fechada para sua empresa, entre em contato conosco.
Resumo do curso
O curso inclui apresentações, demonstrações e laboratórios práticos.
- Recognize the data-to-AI lifecycle on Google Cloud.
- Identify the connection between data engineering and machine learning.
- Identify how elements of the Google Cloud infrastructure have enabled big data and machine learning capabilities.
- Identify the big data and machine learning products on Google Cloud.
- Explore a BigQuery dataset.
- Describe an end-to-end streaming data workflow from ingestion to data visualization.
- Identify modern data pipeline challenges and how to solve them at scale with Dataflow.
- Build collaborative real-time dashboards with data visualization tools.
- Create a streaming data pipeline for a real-time dashboard with Dataflow.
- Describe the essentials of BigQuery as a data warehouse.
- Explain how BigQuery processes queries and stores data.
- Define the BigQuery ML project phases.
- Build a custom machine learning model with BigQuery ML.
- Identify different options to build ML models on Google Cloud.
- Define Vertex AI and its major features and benefits.
- Describe AI solutions in both horizontal and vertical markets.
- Describe a ML workflow and the key steps.
- Identify the tools and products to support each stage.
- Build an end-to-end ML workflow using AutoML.
- Describe the data-to-AI lifecycle on Google Cloud and identify the major products of big data and machine learning.