Machine Learning on Google Cloud (MLGC)

 

Résumé du cours

Ce cours vous apprend à construire des modèles Vertex AI AutoML sans écrire une seule ligne de code, à construire des modèles ML BigQuery en connaissant le SQL de base, à créer des tâches de formation personnalisées Vertex AI que vous déployez à l'aide de conteneurs - avec peu de connaissances de Docker, à utiliser Feature Store pour la gestion et la gouvernance des données, l'ingénierie des fonctionnalités pour l'amélioration des modèles, à déterminer les options de prétraitement des données appropriées à votre cas d'utilisation, à écrire des modèles ML distribués qui évoluent dans TensorFlow et à tirer parti des meilleures pratiques pour mettre en œuvre l'apprentissage automatique sur Google Cloud. Apprenez tout cela et plus encore !

Contenu

Module 1 : Comment Google fait de l'apprentissage automatique
  • Décrire la plateforme Vertex AI et la manière dont elle est utilisée pour construire, former et déployer rapidement des modèles d'apprentissage automatique AutoML sans écrire une seule ligne de code.
  • Décrire les meilleures pratiques pour la mise en œuvre de l'apprentissage automatique sur Google Cloud.
  • Développer une stratégie de données autour de l'apprentissage automatique.
  • Examiner les cas d'utilisation qui sont ensuite réimaginés à travers une lentille ML.
  • Exploiter les outils et l'environnement de Google Cloud Platform pour faire de l'apprentissage automatique.
Module 2 : Se lancer dans le Machine Learning
  • Décrire Vertex AI AutoML et comment construire, entraîner et déployer un modèle ML sans écrire une seule ligne de code.
  • Décrire Big Query ML et ses avantages.
  • Décrire comment améliorer la qualité des données.
  • Réaliser une analyse exploratoire des données.
  • Construire et entraîner des modèles d'apprentissage supervisé.
  • [Optimiser et évaluer les modèles en utilisant des fonctions de perte et des mesures de performance.
  • Atténuer les problèmes communs qui surviennent dans l'apprentissage automatique.
  • Créer des ensembles de données d'entraînement, d'évaluation et de test répétables et évolutifs.
Module 3 : TensorFlow sur Google Cloud
  • Créer des modèles d'apprentissage automatique TensorFlow et Keras.
  • Décrire les composants clés de TensorFlow.
  • Utiliser la bibliothèque tf.data pour manipuler les données et les grands ensembles de données.
  • Construire un modèle ML en utilisant les couches de prétraitement de tf.keras.
  • Utiliser les API séquentielles et fonctionnelles de Keras pour la création de modèles simples et avancés. Comprendre comment les sous-classes de modèles peuvent être utilisées pour des modèles plus personnalisés.
Module 4 : Ingénierie des fonctionnalités

.

  • Décrire le Feature Store de Vertex AI.
  • Comparer les principaux aspects requis pour une bonne fonctionnalité.
  • Combiner et créer de nouvelles combinaisons de fonctionnalités grâce aux croisements de fonctionnalités.
  • Exécuter l'ingénierie des caractéristiques en utilisant BQML, Keras et TensorFlow.
  • Comprendre comment prétraiter et explorer les caractéristiques avec Cloud Dataflow et Cloud Dataprep.
  • Comprendre et appliquer la façon dont TensorFlow transforme les caractéristiques.
Module 5 : L'apprentissage automatique dans l'entreprise
  • Comprendre les outils nécessaires à la gestion et à la gouvernance des données.
  • Décrire la meilleure approche pour le prétraitement des données - de la présentation générale de DataFlow et DataPrep à l'utilisation de SQL pour les tâches de prétraitement.
  • Expliquer comment AutoML, BQML et la formation personnalisée diffèrent et quand utiliser un cadre particulier.
  • Décrire le réglage des hyperparamètres à l'aide de Vertex Vizier et comment il peut être utilisé pour améliorer les performances du modèle.
  • [Expliquez la prédiction et la surveillance des modèles et comment Vertex AI peut être utilisé pour gérer les modèles ML.
  • Décrire les avantages des pipelines de Vertex AI.

A qui s'adresse cette formation

  • Scientifiques de données et ingénieurs en apprentissage automatique en herbe.
  • Les étudiants qui veulent se familiariser avec l'apprentissage automatique en utilisant Vertex AI AutoML, BQML, Feature Store, Workbench, Dataflow, Vizier pour le réglage des hyperparamètres, TensorFlow/Keras.

    Pré-requis

    • Une certaine familiarité avec les concepts de base du machine learning. [Maîtrise de base d'un langage de programmation - Python de préférence.

    Objectifs

    • Créer, former et déployer un modèle d'apprentissage automatique sans écrire une seule ligne de code à l'aide de Vertex AI AutoML.
    • Comprendre quand utiliser AutoML et Big Query ML.
    • Créer des ensembles de données gérés par Vertex AI.
    • Ajouter des fonctionnalités à un Feature Store.
    • Décrire Analytics Hub, Dataplex, Data Catalog.
    • Décrire le réglage des hyperparamètres à l'aide de Vertex Vizier et comment il peut être utilisé pour améliorer les performances du modèle.
    • Créer un User-Managed Notebook de Vertex AI Workbench, créer une tâche de formation personnalisée, puis la déployer à l'aide d'un conteneur Docker.
    • Décrire les prédictions par lot et en ligne et la surveillance des modèles.
    • Décrire comment améliorer la qualité des données.
    • Réaliser une analyse exploratoire des données.
    • Construire et entraîner des modèles d'apprentissage supervisé.
    • Optimiser et évaluer les modèles en utilisant des fonctions de perte et des mesures de performance.
    • Créer des ensembles de données de formation, d'évaluation et de test répétables et évolutifs.
    • Implémenter des modèles ML en utilisant TensorFlow/Keras.
    • Décrire comment représenter et transformer les caractéristiques.
    • Comprendre les avantages de l'utilisation de l'ingénierie des caractéristiques.
    • Expliquer les pipelines d'IA de Vertex.

    Outline: Machine Learning on Google Cloud (MLGC)

    Module 1 : Comment Google fait de l'apprentissage automatique
    • Décrire la plateforme Vertex AI et la manière dont elle est utilisée pour construire, former et déployer rapidement des modèles d'apprentissage automatique AutoML sans écrire une seule ligne de code.
    • Décrire les meilleures pratiques pour la mise en œuvre de l'apprentissage automatique sur Google Cloud.
    • Développer une stratégie de données autour de l'apprentissage automatique.
    • Examiner les cas d'utilisation qui sont ensuite réimaginés à travers une lentille ML.
    • Exploiter les outils et l'environnement de Google Cloud Platform pour faire de l'apprentissage automatique.
    Module 2 : Se lancer dans le Machine Learning
    • Décrire Vertex AI AutoML et comment construire, entraîner et déployer un modèle ML sans écrire une seule ligne de code.
    • Décrire Big Query ML et ses avantages.
    • Décrire comment améliorer la qualité des données.
    • Réaliser une analyse exploratoire des données.
    • Construire et entraîner des modèles d'apprentissage supervisé.
    • [Optimiser et évaluer les modèles en utilisant des fonctions de perte et des mesures de performance.
    • Atténuer les problèmes communs qui surviennent dans l'apprentissage automatique.
    • Créer des ensembles de données d'entraînement, d'évaluation et de test répétables et évolutifs.
    Module 3 : TensorFlow sur Google Cloud
    • Créer des modèles d'apprentissage automatique TensorFlow et Keras.
    • Décrire les composants clés de TensorFlow.
    • Utiliser la bibliothèque tf.data pour manipuler les données et les grands ensembles de données.
    • Construire un modèle ML en utilisant les couches de prétraitement de tf.keras.
    • Utiliser les API séquentielles et fonctionnelles de Keras pour la création de modèles simples et avancés. Comprendre comment les sous-classes de modèles peuvent être utilisées pour des modèles plus personnalisés.
    Module 4 : Ingénierie des fonctionnalités

    .

    • Décrire le Feature Store de Vertex AI.
    • Comparer les principaux aspects requis pour une bonne fonctionnalité.
    • Combiner et créer de nouvelles combinaisons de fonctionnalités grâce aux croisements de fonctionnalités.
    • Exécuter l'ingénierie des caractéristiques en utilisant BQML, Keras et TensorFlow.
    • Comprendre comment prétraiter et explorer les caractéristiques avec Cloud Dataflow et Cloud Dataprep.
    • Comprendre et appliquer la façon dont TensorFlow transforme les caractéristiques.
    Module 5 : L'apprentissage automatique dans l'entreprise
    • Comprendre les outils nécessaires à la gestion et à la gouvernance des données.
    • Décrire la meilleure approche pour le prétraitement des données - de la présentation générale de DataFlow et DataPrep à l'utilisation de SQL pour les tâches de prétraitement.
    • Expliquer comment AutoML, BQML et la formation personnalisée diffèrent et quand utiliser un cadre particulier.
    • Décrire le réglage des hyperparamètres à l'aide de Vertex Vizier et comment il peut être utilisé pour améliorer les performances du modèle.
    • [Expliquez la prédiction et la surveillance des modèles et comment Vertex AI peut être utilisé pour gérer les modèles ML.
    • Décrire les avantages des pipelines de Vertex AI.

    Prix & Delivery methods

    Formation en ligne

    Durée
    5 jours

    Prix
    • Online Training : CAD 3 955,–
    • Online Training : US$ 2 995,–
    Formation en salle équipée

    Durée
    5 jours

    Prix
    • Canada : CAD 3 955,–

    Cliquez sur le nom de la ville ou sur « Formation en ligne » pour réserver Agenda

    This is an Instructor-Led Classroom course
    Date garantie :   Fast Lane s’engage à mettre en œuvre les formations garanties quelque soit le nombre de participants, en dehors des cas de force majeurs ou d’événements exceptionnels, comme un accident ou un maladie de l’instructeur.
    Instructor-led Online Training :   Cours en ligne avec instructeur
    Formation en mode FLEX, à la fois à distance et en présentiel. Tous nos cours FLEX sont aussi des ILO (Instructor-Led Online).

    Etats-Unis

    Formation en ligne 09:00 US/Central S'inscrire
    garanti ! Formation en ligne 09:00 US/Eastern S'inscrire
    garanti ! Formation en ligne 09:00 US/Pacific S'inscrire
    Formation en ligne 09:00 US/Central S'inscrire

    Canada

    Formation en ligne 09:00 Canada/Central S'inscrire
    Formation en ligne 09:00 Canada/Eastern S'inscrire
    Formation en ligne 09:00 Canada/Pacific S'inscrire
    Formation en ligne 09:00 Canada/Central S'inscrire