GCPML - Machine Learning on Google Cloud

Tổng quan

Thời lượng: 05 ngày

Khóa học khám phá các công nghệ, sản phẩm và công cụ có sẵn để xây dựng mô hình ML, đường ống ML và dự án AI tạo sinh. Bạn sẽ học cách xây dựng các mô hình AutoML mà không cần viết một dòng mã nào; xây dựng các mô hình BigQuery ML bằng SQL và xây dựng các công việc đào tạo tùy chỉnh của Vertex AI bằng cách sử dụng Keras và TensorFlow. Bạn cũng sẽ khám phá các kỹ thuật xử lý trước dữ liệu và kỹ thuật tính năng.

Mục tiêu

Làm quen với Google Cloud Platform thông qua lộ trình học Google Cloud
Mô tả các công nghệ, sản phẩm và công cụ để xây dựng mô hình ML, đường ống ML và dự án AI tạo sinh.
Hiểu khi nào nên sử dụng AutoML và BigQuery ML.
Tạo các tập dữ liệu do Vertex AI quản lý.
Thêm các tính năng vào Vertex AI Feature Store.
Mô tả Analytics Hub, Dataplex và Data Catalog.
Mô tả cách cải thiện hiệu suất mô hình.
Tạo sổ ghi chép do người dùng quản lý Vertex AI Workbench, xây dựng công việc đào tạo tùy chỉnh và triển khai bằng cách sử dụng vùng chứa Docker.
Mô tả dự đoán hàng loạt và trực tuyến và giám sát mô hình.
Mô tả cách cải thiện chất lượng dữ liệu và khám phá dữ liệu của bạn.
Xây dựng và đào tạo các mô hình học có giám sát.
Tối ưu hóa và đánh giá các mô hình bằng cách sử dụng các hàm mất mát và số liệu hiệu suất.
Tạo các tập dữ liệu đào tạo, đánh giá và kiểm tra có thể lặp lại và mở rộng.
Triển khai các mô hình ML bằng cách sử dụng TensorFlow hoặc Keras.
Hiểu được lợi ích của việc sử dụng kỹ thuật tính năng.
Giải thích Giám sát mô hình AI của Vertex và Đường ống AI của Vertex.

Nội dung

Giới thiệu về AI và Machine Learning trên Google Cloud

Nhận biết khuôn khổ AI/ML trên Google Cloud.
Nhận biết các thành phần chính của cơ sở hạ tầng Google Cloud.
Xác định dữ liệu và sản phẩm ML trên Google Cloud và cách chúng hỗ trợ vòng đời data[1]to-AI.
Xây dựng mô hình ML bằng BigQueryML để đưa dữ liệu vào AI.
Xác định các tùy chọn khác nhau để xây dựng mô hình ML trên Google Cloud.
Nhận biết các tính năng chính và các tình huống áp dụng của API được đào tạo trước, AutoML và đào tạo tùy chỉnh.
Sử dụng Natural Language API để phân tích văn bản.
Xác định quy trình làm việc để xây dựng mô hình ML.
Mô tả MLOps và tự động hóa quy trình làm việc trên Google Cloud.
Xây dựng mô hình ML từ đầu đến cuối bằng cách sử dụng AutoML trên Vertex AI.
Xác định AI tạo sinh và mô hình ngôn ngữ lớn.
Sử dụng các khả năng AI tạo sinh trong quá trình phát triển AI.
Nhận biết các giải pháp AI và các tính năng AI tạo sinh được nhúng.
Khởi chạy Machine Learning

Mô tả cách cải thiện chất lượng dữ liệu.

Thực hiện phân tích dữ liệu thăm dò.
Xây dựng và đào tạo các mô hình học có giám sát.
Mô tả AutoML và cách xây dựng, đào tạo và triển khai mô hình ML mà không cần viết một dòng mã nào.
Mô tả BigQuery ML và các lợi ích của nó.
Tối ưu hóa và đánh giá các mô hình bằng cách sử dụng các hàm mất mát và số liệu hiệu suất.
Giảm thiểu các vấn đề phổ biến phát sinh trong học máy.
Tạo các tập dữ liệu đào tạo, đánh giá và thử nghiệm có thể lặp lại và mở rộng.
TensorFlow trên Google Cloud

Tạo các mô hình học máy TensorFlow và Keras.

Mô tả các thành phần chính của TensorFlow.
Sử dụng thư viện tf.data để thao tác dữ liệu và các tập dữ liệu lớn.
Xây dựng mô hình ML sử dụng các lớp tiền xử lý tf.keras.
Sử dụng Keras Sequential và Functional API để tạo mô hình đơn giản và nâng cao.
Đào tạo, triển khai và sản xuất các mô hình ML ở quy mô lớn với Vertex AI Training Service.

Kỹ thuật tính năng

Mô tả Vertex AI Feature Store.
So sánh các khía cạnh chính cần thiết của một tính năng tốt.
Sử dụng các tiện ích tf.keras.preprocessing để làm việc với dữ liệu hình ảnh, dữ liệu văn bản và dữ liệu chuỗi.
Thực hiện kỹ thuật tính năng bằng cách sử dụng BigQuery ML, Keras và TensorFlow.

Học máy trong Doanh nghiệp

Hiểu các công cụ cần thiết để quản lý và quản trị dữ liệu.
Mô tả cách tiếp cận tốt nhất để xử lý trước dữ liệu: Từ việc cung cấp tổng quan về Dataflow và Dataprep đến việc sử dụng SQL cho các tác vụ xử lý trước.
Giải thích sự khác biệt giữa AutoML, BigQuery ML và đào tạo tùy chỉnh và thời điểm sử dụng một khuôn khổ cụ thể.
Mô tả việc điều chỉnh siêu tham số bằng cách sử dụng Vertex AI Vizier để cải thiện hiệu suất mô hình.
Giải thích dự đoán và giám sát mô hình và cách Vertex AI có thể được sử dụng để quản lý các mô hình ML.
Mô tả các lợi ích của Vertex AI Pipelines.
Mô tả các phương pháp hay nhất để triển khai và phục vụ mô hình, giám sát mô hình, Vertex AI Pipelines và tổ chức hiện vật.
Đối tượng
Các nhà phân tích dữ liệu học máy đầy tham vọng, nhà khoa học dữ liệu và kỹ sư dữ liệu
Những người học muốn tiếp xúc với ML và sử dụng Vertex AI, AutoML, BigQuery ML, Vertex AI Feature Store, Vertex AI Workbench, Dataflow, Vertex AI Vizier để điều chỉnh siêu tham số và TensorFlow/Keras