Machine Learning in der Google Cloud
Dieser Kurs führt in die Angebote für künstliche Intelligenz (KI) und maschinelles Lernen (ML) auf Google Cloud ein, die den Daten-zu-KI-Lebenszyklus durch KI-Grundlagen, KI-Entwicklung und KI-Lösungen unterstützen. Er befasst sich mit den Technologien, Produkten und Tools, die zum Aufbau eines ML-Modells, einer ML-Pipeline und eines generativen KI-Projekts zur Verfügung stehen. Sie lernen, wie Sie AutoML-Modelle ohne eine einzige Codezeile erstellen, BigQuery ML-Modelle mit SQL erstellen und benutzerdefinierte Vertex AI-Trainingsjobs mit Keras und TensorFlow erstellen. Sie lernen auch Techniken zur Datenvorverarbeitung und Feature Engineering kennen.
- Dauer: 5 Tage
- Sprachen: Englisch, Deutsch
- Niveau: Fortgeschritten
- Gruppengröße: Bis zu 16
Das lernen Sie
- Beschreiben Sie die Technologien, Produkte und Tools zum Erstellen eines ML-Modells, einer ML-Pipeline und eines generativen KI-Projekts.
- Verstehen Sie, wann AutoML und BigQuery ML verwendet werden sollen.
- Erstellen Sie von Vertex AI verwaltete Datensätze und fügen Sie Funktionen zum Vertex AI Feature Store hinzu.
- Beschreiben Sie Analytics Hub, Dataplex und Data Catalog.
- Erstellen Sie von Vertex AI Workbench verwaltete Notebooks und entwickeln Sie benutzerdefinierte Trainingsaufträge, die über Docker-Container bereitgestellt werden.
- Beschreiben Sie Batch- und Online-Vorhersagen, Modellüberwachung und die Untersuchung der Datenqualität.
- Erstellen und trainieren Sie überwachte Lernmodelle und optimieren Sie diese mithilfe von Verlustfunktionen und Leistungsmetriken.
- Erstellen Sie wiederholbare und skalierbare Trainings-, Evaluierungs- und Testdatensätze.
- Implementieren Sie ML-Modelle mit TensorFlow oder Keras.
- Erläutern Sie Vertex AI Model Monitoring und Vertex AI Pipelines.
Voraussetzungen
- Grundkenntnisse in grundlegenden Machine-Learning-Konzepten.
- Grundlegende Kenntnisse einer Skriptsprache, vorzugsweise Python.
Kursinhalt
Introduction to AI and Machine Learning on Google Cloud
- AI/ML framework on Google Cloud
- Major components of Google Cloud infrastructure
- Data and ML products supporting the data-to-AI lifecycle
- Building ML models with BigQuery ML
- Options to build ML models on Google Cloud (Pre-trained APIs, AutoML, custom training)
- Natural Language API for text analysis
- MLOps and workflow automation
- End-to-end AutoML models on Vertex AI
- Generative AI and Large Language Models (LLMs)
Launching into Machine Learning
- Improving data quality and exploratory data analysis
- Building and training supervised learning models
- AutoML training and deployment
- BigQuery ML benefits
- Optimization and evaluation using loss functions and performance metrics
- Repeatable and scalable training, evaluation, and test datasets
TensorFlow on Google Cloud
- Creating TensorFlow and Keras machine learning models
- TensorFlow main components and the tf.data library
- tf.keras preprocessing layers
- Keras Sequential and Functional APIs
- Training and productionalizing models with Vertex AI Training Service
Feature Engineering
- Vertex AI Feature Store
- Characteristics of a good feature
- tf.keras.preprocessing for image, text, and sequence data
- Feature engineering with BigQuery ML, Keras, and TensorFlow
Machine Learning in the Enterprise
- Data management and governance tools
- Data preprocessing with Dataflow, Dataprep, and SQL
- Framework selection: AutoML vs. BigQuery ML vs. Custom training
- Hyperparameter tuning with Vertex AI Vizier
- Prediction and model monitoring with Vertex AI
- Benefits of Vertex AI Pipelines
- Best practices for model deployment, serving, and artifact organization
Passende Kurse
Agent-Observability auf Google Cloud
Dieser Kurs bietet eine angewandte Anleitung auf mittlerem Niveau zur Operationalisierung von KI-Agenten, die sich speziell auf das Erreichen von Produktionssicherheit und Kostenkalkulierbarkeit für Gemini-basierte Workflows in der Google Cloud konzentriert. Die Teilnehmer lernen die Methodik und die umsetzbaren Fähigkeiten, die erforderlich sind, um nicht-deterministische Agentenlogik in transparente, überprüfbare und skalierbare Systeme umzuwandeln.Der Kurs behandelt zentrale operative Disziplinen, einschließlich der Abbildung des komplexen Denkprozesses des Agenten (ReAct-Schleifen) auf Cloud Trace Spans zum Debuggen, der Implementierung von Logs-Based Security Metrics zur Compliance und der Einrichtung von umsetzbaren Warnungen und benutzerdefinierten Dashboards in Cloud Monitoring zur proaktiven Kontrolle von Kostenüberschreitungen und Qualitätsabweichungen. Der Kurs verwendet Präsentationen, visuelle Anleitungen und strategische Diskussionen, um ein effektives Lernen zu gewährleisten, das direkt auf das Vertex AI-Ökosystem anwendbar ist.
Grundlagen der KI-Infrastruktur
Dieser Kurs bietet einen grundlegenden Überblick über die Hardware-, Software- und Netzwerkkomponenten, die zur Entwicklung und Verwaltung von KI-Modellen in großem Maßstab erforderlich sind. Er befasst sich mit der AI Hypercomputer-Architektur von Google Cloud, vergleicht Computerbeschleuniger wie GPUs und TPUs und untersucht die kritischen Datenpipelines und Speicherlösungen, die zur Maximierung der Trainingsleistung erforderlich sind. Er wurde für IT-Entscheidungsträger und Infrastrukturarchitekten entwickelt, die ein besseres Verständnis für die KI-Bereitstellung auf Unternehmensebene erlangen möchten.
Such- und Agentenfunktionen mit KI-Anwendungen entwickeln
In diesem Kurs lernen Sie, wie Sie Vertex AI Search und konversationelle Agenten verwenden, um Suchmaschinen und Chat-Anwendungen zu erstellen. Sie erfahren, wie Sie Vertex AI Search nutzen, um Ihre durch Gen AI unterstützten Anwendungen zu fundieren. Anschließend erfahren Sie, wie Sie diese Suchmaschinen und Chat-Anwendungen in Ihre eigenen Anwendungen integrieren. Schließlich lernen Sie, wie Sie die in AI Applications integrierten Agenten in Multi-Agenten-Workflows einsetzen.
Unsicher, welcher Kurs passt?
Buchen Sie ein 30-minütiges Gespräch. Wir schauen uns an, wo Ihr Team steht und was es können muss — und stellen daraus einen konkreten Kurstermin oder einen passenden Lernplan zusammen.