Introducción a la IA y Machine Learning en Google Cloud. Reconocer el marco de IA/ML en Google Cloud. Identificar los componentes principales de la infraestructura de Google Cloud. Definir los productos de datos y ML en Google Cloud y cómo respaldan el ciclo de vida de datos a IA. Crear un modelo de ML con BigQueryML para llevar datos a la IA. Definir diferentes opciones para crear 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 para crear un modelo de ML. Describir MLOps y la automatización del flujo de trabajo en Google Cloud. Crear un modelo de ML de extremo a extremo usando AutoML en Vertex AI. Definir la IA generativa y los grandes modelos de lenguaje. Utilice capacidades de IA generativa en el desarrollo de IA. Reconozca las soluciones de IA y las características de IA generativa integradas. Iniciándose en Machine Learning Describa cómo mejorar la calidad de los datos. Realice análisis exploratorios de datos. Cree y entrene modelos de aprendizaje supervisado. Describa AutoML y cómo crear, entrenar e implementar un modelo de ML sin escribir una sola línea de código. Describa BigQuery ML y sus beneficios. Optimice y evalúe modelos utilizando funciones de pérdida y métricas de rendimiento. Mitigue los problemas comunes que surgen en Machine Learning. Cree conjuntos de datos de entrenamiento, evaluación y prueba repetibles y escalables. TensorFlow en Google Cloud Cree modelos TensorFlow y Keras Machine Learning. Describa los componentes principales de TensorFlow. Utilice la biblioteca tf.data para manipular datos y grandes conjuntos de datos. Cree un modelo de ML que Utiliza las capas de preprocesamiento tf.Keras. Utilice las capas secuenciales y funcionales API para la creación de modelos simples y avanzados. Entrene, implemente y ponga en producción modelos de ML a escala con el servicio de entrenamiento Vertex AI. Ingeniería de características Describa el almacén de características Vertex AI. Compare los aspectos clave requeridos de una buena característica. Utilice las utilidades de preprocesamiento tf.Keras para trabajar con datos de imágenes, datos de texto y datos de secuencia. Realice ingeniería de características utilizando 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?low y Dataprep hasta utilizar SQL para el preprocesamiento. tareas. Explique en qué se diferencian AutoML, BigQuery ML y el entrenamiento personalizado y cuándo usar un marco en particular. Describa el ajuste de hiperparámetros usando Vertex AI Vizier para mejorar el rendimiento del modelo. Explique la predicción y la monitorización del modelo y cómo se puede usar Vertex AI para administrar modelos de ML. Describa los beneficios de Vertex AI Pipelines. Describa las mejores prácticas para la implementación y el servicio de modelos, la monitorización 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 familiarizarse con el aprendizaje automático y utilizar herramientas como AutoML, BigQuery ML, Feature Store, Workbench, Data?ow, Vizier para la optimización de hiperparámetros y TP2TOKEN48/TP2TOKEN50. Requisitos previos: Familiaridad con conceptos básicos. Dominio básico de un lenguaje de scripting (se prefiere Python).