Machine Learning on Google Cloud

Módulo 1: Introducción a la Inteligencia Artificial y el Machine Learning en Google Cloud

• Reconocer el marco de trabajo de IA/ML en Google Cloud.
• Identificar los principales componentes de la infraestructura de Google Cloud.
• Definir los productos de datos y ML en Google Cloud y cómo dan soporte al ciclo de vida de los datos hacia la IA.
• Construir un modelo de ML con BigQuery ML para llevar datos a la IA.
• Definir diferentes opciones para construir un modelo de ML en Google Cloud.
• Reconocer las características principales y las situaciones aplicables de las API preentrenadas, AutoML y entrenamiento personalizado.
• Utilizar la API de Lenguaje Natural para analizar texto.
• Definir el flujo de trabajo de construcción de un modelo de ML.
• Describir MLOps y la automatización del flujo de trabajo en Google Cloud.
• Construir un modelo de ML de principio a fin mediante AutoML en Vertex AI.
• Definir la IA generativa y los modelos de lenguaje grandes.
• Utilizar capacidades de IA generativa en el desarrollo de IA.
• Reconocer las soluciones de IA y las características embebidas de la IA generativa.

Módulo 2: Iniciándose en el Aprendizaje Automático

• Describir cómo mejorar la calidad de los datos.
• Realizar análisis exploratorio de datos.
• Construir y entrenar modelos de aprendizaje supervisado.
• Describir AutoML y cómo construir, entrenar y desplegar un modelo de ML sin escribir una sola línea de código.
• Describir BigQuery ML y sus beneficios.
• Optimizar y evaluar modelos mediante funciones de pérdida y métricas de rendimiento.
• Mitigar problemas comunes que surgen en el machine learning.
• Crear datasets de entrenamiento, evaluación y prueba repetibles y escalables.

Módulo 3: TensorFlow en Google Cloud

• Crear modelos de aprendizaje automático con TensorFlow y Keras.
• Describir los componentes principales de TensorFlow.
• Utilizar la librería tf.data para manipular datos y conjuntos de datos grandes.
• Construir un modelo de ML que utilice capas de preprocesamiento de tf.keras.
• Utilizar las API secuenciales y funcionales de Keras para la creación de modelos simples y avanzados.
• Entrenar, implementar y poner en producción modelos de ML a escala con el Servicio de Entrenamiento de Vertex AI.

Módulo 4: Ingeniería de Características

• Describir el Vertex AI Feature Store.
• Comparar los aspectos clave requeridos de una buena característica.
• Utilizar utilidades de preprocesamiento de tf.keras para trabajar con datos de imágenes, datos de texto y datos de secuencias.
• Realizar ingeniería de características mediante BigQuery ML, Keras y TensorFlow.

Módulo 5: Machine Learningo en la Empresa

• Comprender las herramientas necesarias para la gestión y gobernanza de datos.
• Describir el mejor enfoque para la preprocesamiento de datos: desde proporcionar una visión general de Dataflow y Dataprep hasta el uso de SQL para tareas de preprocesamiento.
• Explicar cómo difieren AutoML, BigQuery ML y el entrenamiento personalizado y cuándo utilizar un marco en particular.
• Describir la optimización de hiperparámetros mediante Vertex AI Vizier para mejorar el rendimiento del modelo.
• Explicar la monitorización de la predicción y del modelo y cómo Vertex AI se puede utilizar para gestionar modelos de ML.
• Describir los beneficios de los Vertex AI Pipelines.
• Describir las recomendaciones para la implementación y el servicio de modelos, la monitorización de modelos, los Vertex AI Pipelines y la organización de artefactos.