Machine Learning on Google Cloud (MLGC)

 

Résumé du cours

Ce cours vous apprend à construire des modèles Vertex AI AutoML sans écrire une seule ligne de code, à construire des modèles ML BigQuery en connaissant le SQL de base, à créer des tâches de formation personnalisées Vertex AI que vous déployez à l'aide de conteneurs - avec peu de connaissances de Docker, à utiliser Feature Store pour la gestion et la gouvernance des données, l'ingénierie des fonctionnalités pour l'amélioration des modèles, à déterminer les options de prétraitement des données appropriées à votre cas d'utilisation, à écrire des modèles ML distribués qui évoluent dans TensorFlow et à tirer parti des meilleures pratiques pour mettre en œuvre l'apprentissage automatique sur Google Cloud. Apprenez tout cela et plus encore !

Moyens Pédagogiques :
  • Quiz pré-formation de vérification des connaissances (si applicable)
  • Réalisation de la formation par un formateur agréé par l’éditeur
  • Formation réalisable en présentiel ou en distanciel
  • Mise à disposition de labs distants/plateforme de lab pour chacun des participants (si applicable à la formation)
  • Distribution de supports de cours officiels en langue anglaise pour chacun des participants
    • Il est nécessaire d'avoir une connaissance de l'anglais technique écrit pour la compréhension des supports de cours
Moyens d'évaluation :
  • Quiz pré-formation de vérification des connaissances (si applicable)
  • Évaluations formatives pendant la formation, à travers les travaux pratiques réalisés sur les labs à l’issue de chaque module, QCM, mises en situation…
  • Complétion par chaque participant d’un questionnaire et/ou questionnaire de positionnement en amont et à l’issue de la formation pour validation de l’acquisition des compétences

A qui s'adresse cette formation

  • Scientifiques de données et ingénieurs en apprentissage automatique en herbe.
  • Les étudiants qui veulent se familiariser avec l'apprentissage automatique en utilisant Vertex AI AutoML, BQML, Feature Store, Workbench, Dataflow, Vizier pour le réglage des hyperparamètres, TensorFlow/Keras.

    Pré-requis

    • Une certaine familiarité avec les concepts de base du machine learning. [Maîtrise de base d'un langage de programmation - Python de préférence.

    Objectifs

    • Créer, former et déployer un modèle d'apprentissage automatique sans écrire une seule ligne de code à l'aide de Vertex AI AutoML.
    • Comprendre quand utiliser AutoML et Big Query ML.
    • Créer des ensembles de données gérés par Vertex AI.
    • Ajouter des fonctionnalités à un Feature Store.
    • Décrire Analytics Hub, Dataplex, Data Catalog.
    • Décrire le réglage des hyperparamètres à l'aide de Vertex Vizier et comment il peut être utilisé pour améliorer les performances du modèle.
    • Créer un User-Managed Notebook de Vertex AI Workbench, créer une tâche de formation personnalisée, puis la déployer à l'aide d'un conteneur Docker.
    • Décrire les prédictions par lot et en ligne et la surveillance des modèles.
    • Décrire comment améliorer la qualité des données.
    • Réaliser une analyse exploratoire des données.
    • Construire et entraîner des modèles d'apprentissage supervisé.
    • Optimiser et évaluer les modèles en utilisant des fonctions de perte et des mesures de performance.
    • Créer des ensembles de données de formation, d'évaluation et de test répétables et évolutifs.
    • Implémenter des modèles ML en utilisant TensorFlow/Keras.
    • Décrire comment représenter et transformer les caractéristiques.
    • Comprendre les avantages de l'utilisation de l'ingénierie des caractéristiques.
    • Expliquer les pipelines d'IA de Vertex.

    Suite de parcours

    Contenu

    Module 1 : Comment Google fait de l'apprentissage automatique
    • Décrire la plateforme Vertex AI et la manière dont elle est utilisée pour construire, former et déployer rapidement des modèles d'apprentissage automatique AutoML sans écrire une seule ligne de code.
    • Décrire les meilleures pratiques pour la mise en œuvre de l'apprentissage automatique sur Google Cloud.
    • Développer une stratégie de données autour de l'apprentissage automatique.
    • Examiner les cas d'utilisation qui sont ensuite réimaginés à travers une lentille ML.
    • Exploiter les outils et l'environnement de Google Cloud Platform pour faire de l'apprentissage automatique.
    Module 2 : Se lancer dans le Machine Learning
    • Décrire Vertex AI AutoML et comment construire, entraîner et déployer un modèle ML sans écrire une seule ligne de code.
    • Décrire Big Query ML et ses avantages.
    • Décrire comment améliorer la qualité des données.
    • Réaliser une analyse exploratoire des données.
    • Construire et entraîner des modèles d'apprentissage supervisé.
    • [Optimiser et évaluer les modèles en utilisant des fonctions de perte et des mesures de performance.
    • Atténuer les problèmes communs qui surviennent dans l'apprentissage automatique.
    • Créer des ensembles de données d'entraînement, d'évaluation et de test répétables et évolutifs.
    Module 3 : TensorFlow sur Google Cloud
    • Créer des modèles d'apprentissage automatique TensorFlow et Keras.
    • Décrire les composants clés de TensorFlow.
    • Utiliser la bibliothèque tf.data pour manipuler les données et les grands ensembles de données.
    • Construire un modèle ML en utilisant les couches de prétraitement de tf.keras.
    • Utiliser les API séquentielles et fonctionnelles de Keras pour la création de modèles simples et avancés. Comprendre comment les sous-classes de modèles peuvent être utilisées pour des modèles plus personnalisés.
    Module 4 : Ingénierie des fonctionnalités

    .

    • Décrire le Feature Store de Vertex AI.
    • Comparer les principaux aspects requis pour une bonne fonctionnalité.
    • Combiner et créer de nouvelles combinaisons de fonctionnalités grâce aux croisements de fonctionnalités.
    • Exécuter l'ingénierie des caractéristiques en utilisant BQML, Keras et TensorFlow.
    • Comprendre comment prétraiter et explorer les caractéristiques avec Cloud Dataflow et Cloud Dataprep.
    • Comprendre et appliquer la façon dont TensorFlow transforme les caractéristiques.
    Module 5 : L'apprentissage automatique dans l'entreprise
    • Comprendre les outils nécessaires à la gestion et à la gouvernance des données.
    • Décrire la meilleure approche pour le prétraitement des données - de la présentation générale de DataFlow et DataPrep à l'utilisation de SQL pour les tâches de prétraitement.
    • Expliquer comment AutoML, BQML et la formation personnalisée diffèrent et quand utiliser un cadre particulier.
    • Décrire le réglage des hyperparamètres à l'aide de Vertex Vizier et comment il peut être utilisé pour améliorer les performances du modèle.
    • [Expliquez la prédiction et la surveillance des modèles et comment Vertex AI peut être utilisé pour gérer les modèles ML.
    • Décrire les avantages des pipelines de Vertex AI.

    Prix & Delivery methods

    Formation en ligne

    Durée
    5 jours

    Prix
    • 3 480,– €
    Formation en salle équipée

    Durée
    5 jours

    Prix
    • France : 3 480,– €

    Agenda

    Délai d’accès – inscription possible jusqu’à la date de formation
    Instructor-led Online Training :   Cours en ligne avec instructeur
    Formation en mode FLEX, à la fois à distance et en présentiel. Tous nos cours FLEX sont aussi des ILO (Instructor-Led Online).

    Anglais

    Fuseau horaire : Heure d'été d'Europe centrale (HAEC)   ±1 heure

    Formation en ligne 4 jours Fuseau horaire : Heure d'été d'Europe centrale (HAEC)
    Formation en ligne 4 jours Fuseau horaire : Heure normale d'Europe centrale (HNEC)

    2 heures de différence

    Formation en ligne Formation en mode FLEX. Fuseau horaire : Gulf Standard Time (GST)
    Formation en ligne Formation en mode FLEX. Fuseau horaire : Heure d'été d'Europe de l'Est (HAEE)

    3 heures de différence

    Formation en ligne View the exact training days 4 jours Formation en mode FLEX. Fuseau horaire : Gulf Standard Time (GST)

    6 heures de différence

    Formation en ligne Fuseau horaire : UTC+8

    7 heures de différence

    Formation en ligne Fuseau horaire : Central Standard Time (CST)
    Formation en ligne Fuseau horaire : Central Standard Time (CST)
    Formation en ligne Fuseau horaire : UTC+8

    9 heures de différence

    Formation en ligne Fuseau horaire : Pacific Daylight Time (PDT)
    Formation en ligne Fuseau horaire : Pacific Daylight Time (PDT)
    Délai d’accès – inscription possible jusqu’à la date de formation
    Formation en mode FLEX, à la fois à distance et en présentiel. Tous nos cours FLEX sont aussi des ILO (Instructor-Led Online).

    Europe

    Allemagne

    Munich
    Munich
    Hambourg
    Hambourg

    Italie

    Rome

    Si vous ne trouvez pas de date adéquate, n'hésitez pas à vérifier l'agenda de toutes nos formations FLEX internationales