Avanza en tu carrera como ingeniero de Cloud Machine Learning.
? ÚNETE AL CURSO DE CERTIFICACIÓN EN GOOGLE CLOUD
El 87% de los usuarios certificados de Google Cloud se sienten más seguros con sus habilidades en la nube.
Este programa proporciona las habilidades que necesita para avanzar en su carrera y brinda capacitación para respaldar su preparación para la certificación de ingeniero de aprendizaje automático profesional de Google Cloud reconocida en la industria.
Este certificado profesional incorpora laboratorios prácticos que utilizan la plataforma Qwiklabs.
Estos componentes prácticos le permitirán aplicar las habilidades que aprenda. Los proyectos incorporan productos de Google Cloud Platform utilizados en Qwiklabs.
Obtendrás experiencia práctica con los conceptos explicados a lo largo de los módulos.
? ÚNETE AL CURSO DE CERTIFICACIÓN EN GOOGLE CLOUD
Estos componentes prácticos te permitirán aplicar las habilidades que aprendes en las conferencias de video. Los proyectos incorporarán temas como los productos de Google Cloud Platform que se utilizan y configuran dentro de Qwiklabs.
Puedes esperar obtener experiencia práctica con los conceptos explicados a lo largo de los módulos.
? CONOCE LOS CURSOS DE GOOGLE CLOUD EN ESPAÑOL
Fundamentos de Big Data y Machine Learning de Google Cloud
Este curso presenta a los participantes las capacidades de big data de Google Cloud. A través de una combinación de presentaciones, demostraciones y laboratorios prácticos, los participantes obtienen una descripción general de Google Cloud y una vista detallada de las capacidades de procesamiento de datos y aprendizaje automático. Este curso muestra la facilidad, la flexibilidad y el poder de las soluciones de big data en Google Cloud.
Cómo hace Google el aprendizaje automático
¿Qué es el aprendizaje automático y qué tipo de problemas puede resolver? Google piensa en el aprendizaje automático de manera ligeramente diferente: se trata de lógica, en lugar de solo datos.
Hablamos de por qué este marco es útil para los científicos de datos cuando piensan en construir una tubería de modelos de aprendizaje automático.
Luego, analizamos las cinco fases de convertir un caso de uso candidato para que sea impulsado por el aprendizaje automático y consideramos por qué es importante no omitir las fases.
Terminamos con un reconocimiento de los sesgos que el aprendizaje automático puede amplificar y cómo reconocer esto.
Lanzamiento al aprendizaje automático
A partir de una historia del aprendizaje automático, discutimos por qué las redes neuronales actuales funcionan tan bien en una variedad de problemas de ciencia de datos.
Luego discutimos cómo configurar un problema de aprendizaje supervisado y encontrar una buena solución utilizando el descenso de gradiente.
Esto implica crear conjuntos de datos que permitan la generalización; hablamos de métodos para hacerlo de una manera repetible que apoye la experimentación.
Introducción a TensorFlow
Este curso se centra en el uso de la flexibilidad y la “facilidad de uso” de TensorFlow 2.x y Keras para crear, entrenar e implementar modelos de aprendizaje automático. Aprenderás sobre la jerarquía de API de TensorFlow 2.x y conocerá los componentes principales de TensorFlow a través de ejercicios prácticos.
Se presenta cómo trabajar con conjuntos de datos y columnas de características. aprenderás a diseñar y construir una canalización de datos de entrada de TensorFlow 2.x
Obtendrá práctica de carga de datos csv, matrices numPy, datos de texto e imágenes usando tf.Data.Dataset. También obtendrás práctica en la creación de columnas de características numéricas, categóricas, divididas en cubos y con hash.
Se presenta la API secuencial de Keras y la API funcional de Keras para mostrarle cómo crear modelos de aprendizaje profundo. Hablaremos de funciones de activación, pérdida y optimización.
Nuestros laboratorios prácticos de Jupyter Notebooks le ofrecen la oportunidad de crear modelos de aprendizaje automático de regresión lineal básica, regresión logística básica y regresión logística avanzada.
Aprenderás a entrenar, implementar y poner en producción modelos de aprendizaje automático a escala con Cloud AI Platform.
Ingeniería de características
¿Quieres saber cómo puedes mejorar la precisión de sus modelos ML? ¿Qué pasa con cómo encontrar qué columnas de datos hacen las funciones más útiles?
Bienvenido a Feature Engineering, donde analizaremos las funciones buenas y malas y cómo puede preprocesarlas y transformarlas para un uso óptimo en sus modelos.
Arte y ciencia del aprendizaje automático
Bienvenido al arte y la ciencia del aprendizaje automático. Este curso se entrega en 6 módulos.
El curso cubre las habilidades esenciales de la intuición, el buen juicio y la experimentación de ML necesarios para ajustar y optimizar los modelos de ML para obtener el mejor rendimiento.
Aprenderás cómo generalizar su modelo utilizando técnicas de regularización y sobre los efectos de los hiperparámetros, como el tamaño del lote y la tasa de aprendizaje, en el rendimiento del modelo.
Cubriremos algunos de los algoritmos de optimización de modelos más comunes y le mostraremos cómo especificar un método de optimización en su código de TensorFlow.
Sistemas de aprendizaje automático de producción
Este curso cubre cómo implementar los diversos tipos de sistemas de producción de ML: capacitación estática, dinámica y continua; inferencia estática y dinámica; y procesamiento por lotes y en línea. Profundiza en los niveles de abstracción de TensorFlow, las diversas opciones para realizar el entrenamiento distribuido y cómo escribir modelos de entrenamiento distribuidos con estimadores personalizados.
Fundamentos de MLOps (Operaciones de aprendizaje automático)
Este curso presenta a los participantes las herramientas y mejores prácticas de MLOps para implementar, evaluar, monitorear y operar sistemas de ML de producción en Google Cloud.
Canalizaciones de aprendizaje automático en Google Cloud
En este curso, aprenderás de los ingenieros y capacitadores de ML que trabajan con el desarrollo de vanguardia de canalizaciones de ML aquí en Google Cloud.
Los primeros módulos cubrirán TensorFlow Extended (o TFX) que es la plataforma de aprendizaje automático de producción de Google basada en TensorFlow para la gestión de canalizaciones y metadatos de ML.
Aprenderás sobre los componentes de canalización y la orquestación de canalización con TFX. También aprenderás cómo puede automatizar su canalización a través de la integración continua y la implementación continua, y cómo administrar los metadatos de ML.
Luego, cambiaremos el enfoque para discutir cómo podemos automatizar y reutilizar las canalizaciones de ML en múltiples marcos de ML, como tensorflow, pytorch, scikit learn y xgboost. También aprenderás a usar otra herramienta en Google Cloud, Cloud Composer, para orquestar sus canalizaciones de capacitación continua.
Y finalmente, repasaremos cómo usar MLflow para administrar el ciclo de vida completo del aprendizaje automático. Tenga en cuenta que este es un curso de nivel avanzado y para aprovecharlo al máximo, lo ideal es que tenga los siguientes requisitos previos: Tiene una buena experiencia en ML y ha estado creando/implementando canalizaciones de ML.