L'apprentissage automatique sur l’infonuagique Google

Aperçu

Mode de prestation

Classe virtuelle

Durée

5 jours

Auditoire

Spécialistes en technologies de l’information

Description

Ce cours présente les solutions d'intelligence artificielle (IA) et d'apprentissage automatique offertes sur l’infonuagique Google qui soutiennent le cycle de vie des données vers l'IA, à travers les bases de l'IA, le développement de l'IA et les solutions d'IA.

Vous apprendrez à créer des modèles d’apprentissage automatique sans écrire une seule ligne de code, à construire des modèles BigQuery en utilisant SQL, et à développer des tâches d’entraînement personnalisées avec Vertex AI en utilisant Keras et TensorFlow. Vous explorerez également des techniques de prétraitement des données et d'ingénierie des caractéristiques.

Objectifs d’apprentissage

• décrire les technologies, produits et outils permettant de créer un modèle de ML, un pipeline de ML et un projet d'IA générative ;

• savoir quand utiliser AutoML et BigQuery ML ;

• créer des ensembles de données gérés par Vertex AI ;

• ajouter des fonctionnalités à Vertex AI Feature Store ;

• décrire Analytics Hub, Dataplex et Data Catalog ;

• décrire comment améliorer les performances des modèles ;

• créer un notebook géré par l'utilisateur dans Vertex AI Workbench, créer un job d'entraînement personnalisé et le déployer à l'aide d'un conteneur Docker ;

• décrire les prédictions par lot et en ligne, ainsi que la surveillance des modèles ;

• décrire comment améliorer la qualité des données et explorer les données ;

• créer et entraîner des modèles d'apprentissage supervisés ;

• optimiser et évaluer des modèles à l'aide des fonctions de perte et des métriques de performances ;

• créer des ensembles de données d'entraînement, d'évaluation et de test évolutifs et reproductibles ;

• implémenter des modèles de ML à l'aide de TensorFlow ou

de Keras ;

• comprendre les avantages de l'ingénierie des fonctionnalités ;

• expliquer Vertex AI Model Monitoring et Vertex AI Pipelines.

Auditoire cible

• futurs ingénieurs de données, les scientifiques des données et analystes de données spécialisés en apprentissage automatique ;

• tout participant qui souhaite en savoir plus sur le ML et utiliser Vertex AI, AutoML, BigQuery ML, Vertex AI Feature Store, Vertex AI Workbench, Dataflow, Vertex AI Vizier pour les réglages des hyperparamètres et TensorFlow/Keras.

Préalable(s)

• connaître les concepts de base de l’apprentissage automatique ;

• posséder des compétences de base dans un langage de script, de préférence Python.