MACHINE LEARNING ON GOOGLE CLOUD

¡Inscribete ahora!
Image

DATOS BÁSICOS

Fecha fin inscripcion
Fecha prueba selección
Fecha inicio y fin del curso
Del 18/11/2024 al 28/11/2024
Horarios

Presencial de 16:30-21:00 h

Duración
36 horas
Número expediente
24/0999.051

REQUISITOS

Tener experiencia equivalente sobre conceptos básicos del aprendizaje automático
Competencia básica con un lenguaje de programación, preferiblemente Python

FINALIDAD

Este curso le enseña cómo crear modelos Vertex AI AutoML sin escribir una sola línea de código, crear modelos BigQuery ML sabiendo SQL básico, crear trabajos de entrenamiento personalizados de Vertex AI que implementa usando contenedores, con poco conocimiento de Docker, usar Feature Store para la administración de datos y gobernanza, ingeniería de características para la mejora del modelo, determine las opciones de preprocesamiento de datos adecuadas para su caso de uso, escriba modelos de aprendizaje automático distribuidos que se escalen en TensorFlow y aproveche las prácticas recomendadas para implementar el aprendizaje automático en Google Cloud.<br/>Al finalizar este curso, los estudiantes serán capaces de:<br/>· Crear, entrenar e implementar un modelo de aprendizaje automático sin escribir una sola línea de código usando Vertex AI AutoML.<br/>· Comprender cuándo utilizar AutoML y Big Query ML.<br/>· Crear conjuntos de datos gestionados por Vertex AI.<br/>· Agregar funciones a una Feature Store.<br/>· Describir Analytics Hub, Dataplex, Data Catalog.<br/>· Describir el ajuste de hiperparámetros con Vertex Vizier y cómo se puede utilizar para mejorar el rendimiento del modelo.<br/>· Crear un Vertex AI Workbench User-Managed Notebook, crear un trabajo de capacitación personalizado y luego implementarlo utilizando un contenedor Docker.<br/>· Describir predicciones por lotes y en línea y monitoreo de modelos.<br/>· Describir cómo mejorar la calidad de los datos.<br/>· Realizar análisis de datos exploratorios.<br/>· Construir y entrenar modelos de aprendizaje supervisado.<br/>· Optimizar y evaluar modelos utilizando funciones de pérdida y métricas de rendimiento.<br/>· Crear conjuntos de datos de prueba, evaluación y entrenamiento repetibles y escalables.<br/>· Implementar modelos de AA utilizando TensorFlow/Keras.<br/>· Describir cómo representar y transformar características.<br/>· Comprender los beneficios de usar la ingeniería de características<br/>· Explicar las canalizaciones de IA de Vertex

PROGRAMA

Examen de certificación incluido: Professional Machine Learning Engineer

Módulo 1: Cómo hace Google el aprendizaje automático
· Describir Vertex AI Platform y cómo se utiliza para crear, entrenar e implementar rápidamente modelos de aprendizaje automático de AutoML sin escribir una sola línea de código.
· Describir las mejores prácticas para implementar el aprendizaje automático en Google Cloud.
· Desarrollar una estrategia de datos en torno al aprendizaje automático
· Examinar casos de uso que luego se vuelven a imaginar a través de una ML lens
· Aprovechar las herramientas y el entorno de Google Cloud Platform para hacer ML
Módulo 2: Lanzamiento al aprendizaje automático
· Describir Vertex AI AutoML y cómo construir, entrenar e implementar un modelo ML sin escribir una sola línea de código.
· Describir Big Query ML y sus beneficios.
· Describir cómo mejorar la calidad de los datos.
· Realizar análisis exploratorio de datos.
· Construir y entrenar modelos de aprendizaje supervisado.
· Optimizar y evaluar modelos utilizando funciones de pérdida y métricas de rendimiento.
· Mitigar los problemas comunes que surgen en el aprendizaje automático.
· Crear conjuntos de datos de prueba, evaluación y capacitación repetibles y escalables.
Módulo 3: TensorFlow en Google Cloud
· Crear modelos de aprendizaje automático de TensorFlow y Keras.
· Describir los componentes clave de TensorFlow.
· Utilizar la biblioteca tf.data para manipular datos y grandes conjuntos de datos.
· Crear un modelo ML utilizando capas de preprocesamiento de tf.keras.
· Utilizar las Functional APIs y Keras Sequential para la creación de modelos simples y avanzados.
· Comprender cómo se pueden usar las subclases de modelos para modelos más personalizados.
Módulo 4: Ingeniería de características
· Describir el Vertex AI Feature Store.
· Comparar los aspectos clave requeridos de una buena característica.
· Mezclar y crear nuevas combinaciones de características a través de cruces de características.
· Realizar ingeniería de características mediante BQML, Keras y TensorFlow.
· Comprender cómo preprocesar y explorar características con Cloud Dataflow y Cloud Dataprep.
· Comprender y aplicar cómo TensorFlow transforma las características.

Módulo 5: Aprendizaje automático en la empresa
· Comprender las herramientas necesarias para la gestión y el gobierno de datos
· Describir el mejor enfoque para el preprocesamiento de datos: desde proporcionar una descripción general de DataFlow y DataPrep hasta usar SQL para tareas de preprocesamiento.
· Explicar en qué se diferencian AutoML, BQML y el entrenamiento personalizado y cuándo usar un marco en particular.
· Describir el ajuste de hiperparámetros con Vertex Vizier y cómo se puede utilizar para mejorar el rendimiento del modelo.
· Explicar la predicción y el monitoreo de modelos y cómo se puede usar Vertex AI para administrar modelos de ML.
· Describir los beneficios de Vertex AI Pipelines

RESPONSABLE DEL CURSO

José Antonio Barrabés

TU COMUNIDAD

Foros de discusión
  • Dudas sobre el curso de Amazon Web Services

    1 hilos
  • Fotografía

    1 hilos
  • Dudas sobre el curso de CSS

    2 hilos