Introducción a la IA y Machine Learning en Google CloudReconocer el marco de IA/ML en Google Cloud.Identificar los componentes principales de la infraestructura de Google Cloud.Definir los datos y los productos de ML en Google Cloud y cómo respaldan el ciclo de vida de los datos a la IA.Construir un modelo de ML con BigQueryML 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 los API preentrenados, AutoML y el entrenamiento personalizado.Usar el lenguaje natural API para analizar texto.Definir el flujo de trabajo de la construcción de un modelo de ML.Describir las MLOps y la automatización del flujo de trabajo en Google Cloud.Construir un modelo de ML de extremo a extremo mediante AutoML en Vertex AI.Definir la IA generativa y las grandes Modelos de lenguaje. Utilizar las capacidades de IA generativa en el desarrollo de IA. Reconocer las soluciones de IA y las características integradas de IA generativa. Introducción a Machine Learning. Describir cómo mejorar la calidad de los datos. Realizar análisis exploratorios de datos. Crear y entrenar modelos de aprendizaje supervisado. Describir AutoML y cómo crear, entrenar e implementar 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 los problemas comunes que surgen en Machine Learning. Crear conjuntos de datos de entrenamiento, evaluación y prueba repetibles y escalables. TensorFlow en Google Cloud Crear los modelos TensorFlow y Keras Machine Learning. Describir los componentes principales de TensorFlow. Usar la biblioteca tf.data para manipular datos y grandes conjuntos de datos. Crear un modelo de ML que Utiliza las capas de preprocesamiento tf.Keras. Utiliza los Keras secuenciales y funcionales API para la creación de modelos simples y avanzados. Entrena, implementa y produce modelos de ML a escala con el servicio de entrenamiento Vertex AI. Ingeniería de características. Describe el almacén de características Vertex AI. Compara los aspectos clave necesarios para una buena característica. Utiliza las utilidades de preprocesamiento tf.Keras para trabajar con datos de imagen, datos de texto y datos de secuencia. Realiza ingeniería de características mediante BigQuery ML, Keras y TensorFlow. Machine Learning en la empresa. Comprenda las herramientas necesarias para la gestión y gobernanza de datos. Describa el mejor enfoque para el preprocesamiento de datos: desde proporcionar una descripción general de Data?ow y Dataprep hasta usar SQL para el preprocesamiento. tareas.Explique cómo se diferencian AutoML, BigQuery ML y el entrenamiento personalizado, y cuándo usar un marco en particular.Describa el ajuste de hiperparámetros mediante Vertex AI Vizier para mejorar el rendimiento del modelo.Explique la predicción y el monitoreo del modelo, y cómo Vertex AI se puede usar para administrar modelos de ML.Describa los beneficios de Vertex AI Pipelines.Describa las prácticas recomendadas para la implementación y el servicio de modelos, el monitoreo de modelos, Vertex AI Pipelines y la organización de artefactos.

Aspirantes a analistas de datos, científicos de datos e ingenieros de datos. Estudiantes que desean adquirir experiencia en ML y usar Vertex AI, AutoML, BigQuery ML, Vertex AI Feature Store, Vertex AI Workbench, Data?ow, Vertex AI Vizier para el ajuste de hiperparámetros y TensorFlow/Keras Requisitos previos: Cierta familiaridad con los conceptos básicos de Machine Learning. Dominio básico de un lenguaje de scripting: se prefiere Python.