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, os produtos e as ferramentas disponíveis para criar um modelo de ML, um pipeline de ML e um projeto de IA generativa. Você vai aprender a criar modelos de AutoML sem escrever uma linha de código, modelos do BigQuery ML usando SQL e jobs de treinamento personalizados da Vertex AI usando o Keras e o TensorFlow. Você também vai conhecer as técnicas de pré-processamento de dados e a engenharia de atributos.
Objetivos
Neste curso, os participantes aprenderão as seguintes habilidades:
- Descrever as tecnologias, produtos e ferramentas usadas para criar um modelo de ML, um pipeline de ML e um projeto de IA generativa.
- Saber quando usar o AutoML e o BigQuery ML.
- Criar conjuntos de dados gerenciados na Vertex AI.
- Adicionar recursos ao Vertex AI Feature Store.
- Descrever o Analytics Hub, Dataplex e Data Catalog.
- Descrever como melhorar o desempenho dos modelos.
- Criar um notebook gerenciado pelo usuário da Vertex AI Workbench, criar um job de treinamento personalizado e, em seguida, implantá-lo usando um contêiner do Docker.
- Descrever o monitoramento de modelos e previsões on-line e em lote.
- Descrever como melhorar a qualidade e entender o funcionamento dos dados.
- Criar e treinar modelos de aprendizado supervisionado.
- Otimizar e avaliar modelos usando funções de perda e métricas de desempenho.
- Criar conjuntos de dados de treinamento, avaliação e testes que podem ser repetidos e escalonados.
- Implementar modelos de ML usando o TensorFlow ou o Keras.
- Entender os benefícios de usar a engenharia de atributos.
- Explicar como funcionam a Vertex AI Pipelines e o monitoramento de modelos com a Vertex AI.
Público-Alvo
Neste curso, os participantes aprenderão as seguintes habilidades:
- Futuros engenheiros, cientistas e analistas de dados de machine learning.
- Participantes com interesse em usar ML com a Vertex AI, o AutoML, BigQuery ML, Vertex AI Feature Store, Vertex AI. Workbench, Dataflow, Vertex AI Vizier para o ajuste de hiperparâmetro e o TensorFlow/Keras
Pré-requisitos
Para aproveitar ao máximo este curso, os participantes precisam atender aos seguintes critérios:
- Familiaridade com conceitos básicos de machine learning.
- Proficiência básica em uma linguagem de script, de preferência, Python.
Duração
40 horas (5 dias)
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.
- 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.