Machine Learning on Google Cloud (MLGC)

Ziele der Schulung

In diesem Kurs lernen Sie, wie Sie Vertex AI AutoML-Modelle erstellen, ohne eine einzige Zeile Code zu schreiben, wie Sie BigQuery ML-Modelle mit grundlegenden SQL-Kenntnissen erstellen, wie Sie benutzerdefinierte Vertex AI-Trainingsaufträge erstellen, die Sie mithilfe von Containern bereitstellen - mit geringen Kenntnissen über Docker, wie Sie Feature Store für Datenmanagement und Governance verwenden, wie Sie Feature Engineering für die Modellverbesserung nutzen, wie Sie die geeigneten Optionen für die Datenvorverarbeitung für Ihren Anwendungsfall bestimmen, wie Sie verteilte ML-Modelle schreiben, die in TensorFlow skalieren, und wie Sie Best Practices für die Implementierung von maschinellem Lernen in der Google Cloud nutzen. Lernen Sie all dies und mehr!

Zielgruppe Seminar

• Angehende Datenwissenschaftler und Ingenieure für maschinelles Lernen.
• Lernende, die ML mit Vertex AI AutoML, BQML, Feature Store, Workbench, Dataflow, Vizier für Hyperparameter-Tuning, TensorFlow/Keras kennenlernen möchten.

Voraussetzungen

• Gewisse Vertrautheit mit grundlegenden Konzepten des maschinellen Lernens.
• Grundkenntnisse in einer Skriptsprache - Python bevorzugt.

Seminarinhalt

Modul 1: Wie Google maschinelles Lernen betreibt

• Zielsetzungen:
  • Beschreiben Sie die Vertex AI Platform und wie sie verwendet wird, um AutoML-Modelle für maschinelles Lernen schnell zu erstellen, zu trainieren und einzusetzen, ohne eine einzige Zeile Code zu schreiben.
  • Beschreiben Sie bewährte Verfahren für die Implementierung von maschinellem Lernen in der Google Cloud.
  • Entwicklung einer Datenstrategie für maschinelles Lernen.
  • Untersuchen Sie Anwendungsfälle, die dann durch eine ML-Linse neu konzipiert werden.
  • Nutzen Sie die Tools und die Umgebung der Google Cloud Platform für ML.

Modul 2: Einstieg in das maschinelle Lernen

• Zielsetzungen:
  • Beschreiben Sie Vertex AI AutoML und wie Sie ein ML-Modell erstellen, trainieren und bereitstellen können, ohne eine einzige Zeile Code zu schreiben.
  • Beschreiben Sie Big Query ML und seine Vorteile.
  • Beschreiben Sie, wie Sie die Datenqualität verbessern können.
  • Führen Sie eine explorative Datenanalyse durch.
  • Erstellen und trainieren Sie überwachte Lernmodelle.
  • Optimieren und bewerten Sie Modelle mit Hilfe von Verlustfunktionen und Leistungsmetriken.
  • Entschärfen Sie häufige Probleme, die beim maschinellen Lernen auftreten.
  • Erstellen Sie wiederholbare und skalierbare Trainings-, Bewertungs- und Testdatensätze.

Modul 3: TensorFlow in der Google Cloud

• Zielsetzungen:
  • Erstellen Sie TensorFlow und Keras Modelle für maschinelles Lernen.
  • Beschreiben Sie die Schlüsselkomponenten von TensorFlow.
  • Verwenden Sie die tf.data-Bibliothek zur Bearbeitung von Daten und großen Datensätzen.
  • Erstellen Sie ein ML-Modell mit tf.keras-Vorverarbeitungsschichten.
  • Verwenden Sie die Keras Sequential und Functional APIs für die einfache und erweiterte Modellerstellung.
  • Verstehen Sie, wie Modell-Subklassifizierung für individuellere Modelle verwendet werden kann.

Modul 4: Funktionsentwicklung

• Zielsetzungen:
  • Beschreiben Sie den Vertex AI Feature Store.
  • Vergleichen Sie die wichtigsten erforderlichen Aspekte eines guten Features.
  • Kombinieren und erstellen Sie neue Feature-Kombinationen durch Feature-Kreuzungen.
  • Führen Sie Feature Engineering mit BQML, Keras und TensorFlow durch.
  • Verstehen Sie, wie Sie Funktionen mit Cloud Dataflow und Cloud Dataprep vorverarbeiten und untersuchen können.
  • Verstehen und anwenden, wie TensorFlow Features transformiert.

Modul 5: Maschinelles Lernen im Unternehmen

• Zielsetzungen:
  • Die für Datenmanagement und -verwaltung erforderlichen Tools verstehen.
  • Beschreiben Sie den besten Ansatz für die Datenvorverarbeitung - von einem Überblick über DataFlow und DataPrep bis zur Verwendung von SQL für Vorverarbeitungsaufgaben.
  • Erklären Sie, wie sich AutoML, BQML und benutzerdefinierte Schulungen unterscheiden und wann ein bestimmtes Framework verwendet werden sollte.
  • Beschreiben Sie das Hyperparameter-Tuning mit Vertex Vizier und wie es zur Verbesserung der Modellleistung eingesetzt werden kann.
  • Erklären Sie Vorhersage und Modellüberwachung und wie Vertex AI zur Verwaltung von ML-Modellen eingesetzt werden kann.
  • Beschreiben Sie die Vorteile von Vertex AI Pipelines.

Hinweise

Partner

Dieses Seminar bieten wir in Kooperation mit unserem Google Cloud Learning Partner Fast Lane Institute for Knowledge Transfer GmbH an.

Open Badge für dieses Seminar - Ihr digitaler Kompetenznachweis

Durch die erfolgreiche Teilnahme an einem Kurs bei IT-Schulungen.com erhalten Sie zusätzlich zu Ihrem Teilnehmerzertifikat ein digitales Open Badge (Zertifikat) – Ihren modernen Nachweis für erworbene Kompetenzen.

Ihr Open Badge ist jederzeit in Ihrem persönlichen und kostenfreien Mein IT-Schulungen.com-Konto verfügbar. Mit wenigen Klicks können Sie diesen digitalen Nachweis in sozialen Netzwerken teilen, um Ihre Expertise sichtbar zu machen und Ihr berufliches Profil gezielt zu stärken.

Übersicht: Google Cloud Schulungen Portfolio

Mehr zu den Vorteilen von Badges

Seminare kurz vor der Durchführung