Machine Learning on Google Cloud (GO-MLGC)

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