Machine Learning on Google Cloud
Presencial / Live Virtual Class 35 horasCERTIFICACIÓN INCLUIDA
Para miembros del colectivo PUE Alumni
Actualmente no existen convocatorias programadas para estos cursos
Acerca de este curso
TASTE OF TRAINING
Este curso presenta las propuestas de inteligencia artificial (IA) y aprendizaje automático (ML) en Google Cloud que dan soporte al ciclo de vida de datos en IA a través de las bases, el desarrollo y las soluciones de Inteligencia Artificial. Explora las tecnologías, productos y herramientas disponibles para construir un modelo de ML, un proceso de ML y un proyecto de IA generativa. Aprenderás a construir modelos automáticos de aprendizaje automático (AutoML) sin escribir una sola línea de código; construir modelos BigQuery ML utilizando SQL y crear trabajos de entrenamiento personalizados de Vertex AI utilizando Keras y TensorFlow. También explorarás técnicas de preprocesamiento de datos y ingeniería de características.
A quién va dirigido
Este curso está dirigido a los siguientes perfiles laborales:
- Futuros analistas de datos de machine learning, científicos de datos e ingenieros de datos.
- Alumnos que desean aprender ML y utilizar Vertex AI, AutoML, BigQuery ML, Vertex AI Feature Store, Vertex AI Workbench, Dataflow, Vertex AI Vizier para ajuste de hiperparámetros y TensorFlow/Keras.
Prerrequisitos
Para aprovechar al máximo este curso, los participantes deben tener:
- Conceptos básicos de Machine Learning.
- Conocimientos básicos de algún lenguaje de programación, preferiblemente Python.
Objetivos del curso
Este curso enseña a los participantes las siguientes habilidades:
- Comprender cuándo utilizar AutoML y BigQuery ML.
- Crear datasets gestionados por Vertex AI.
- Agregar características al Vertex AI Feature Store.
- Describir Analytics Hub, Dataplex y Data Catalog.
- Describir cómo mejorar el rendimiento del modelo.
- Crear un cuaderno gestionado por Vertex AI Workbench, construir un trabajo de entrenamiento personalizado y desplegarlo mediante un contenedor Docker.
- Describir predicciones por lotes y online y monitorización del modelo.
- Describir cómo mejorar la calidad de los datos y explorar los mismos.
- Construir y entrenar modelos de aprendizaje supervisado.
- Optimizar y evaluar modelos mediante funciones de pérdida y métricas de rendimiento.
- Crear datasets de entrenamiento, evaluación y prueba repetibles y escalables.
- Implementar modelos de ML mediante TensorFlow o Keras.
- Comprender los beneficios de utilizar la ingeniería basada en características.
- Explicar la monitorización de modelos y los procesos de Vertex AI.
Contenidos
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.