Description
- Traduire les défis commerciaux en cas d’utilisation du ML
- Choisissez la solution optimale (ML vs non-ML, personnalisée vs pré-packagée)
- Définir comment la sortie du modèle doit résoudre le problème métier
- Identifier les sources de données (disponibles ou idéales)
- Définir les problèmes de ML (type de problème, résultat des prédictions, formats d’entrée et de sortie)
- Définir les critères de réussite de l’entreprise (alignement des métriques ML, résultats clés)
- Identifier les risques liés aux solutions ML (évaluer l’impact commercial, l’état de préparation des solutions ML, l’état de préparation des données)
- Concevoir des solutions ML fiables, évolutives et disponibles
- Choisissez les services et composants ML appropriés
- Concevoir des stratégies d’exploration/analyse de données, d’ingénierie de fonctionnalités, de journalisation/gestion, d’automatisation, d’orchestration, de surveillance et de service.
- Évaluer les options matérielles de GoogleCloud (CPU, GPU, TPU, appareils de périphérie)
- Concevoir des architectures conformes aux préoccupations de sécurité dans tous les secteurs
- Explorer les données (visualisation, fondamentaux statistiques, qualité des données, contraintes des données)
- Créer des pipelines de données (organiser et optimiser les ensembles de données, gérer les données manquantes et les valeurs aberrantes, prévenir les fuites de données)
- Créer des fonctionnalités d’entrée (assurer la cohérence du prétraitement des données, encoder les données structurées, gérer la sélection des fonctionnalités, gérer le déséquilibre des classes, utiliser les transformations)
- Construire des modèles (choisir le cadre, l’interprétabilité, l’apprentissage par transfert, l’augmentation des données, l’apprentissage semi-supervisé, gérer le surapprentissage/sous-apprentissage)
- Former des modèles (ingérer divers types de fichiers, gérer les environnements de formation, régler les hyperparamètres, suivre les métriques de formation)
- Tester des modèles (effectuer des tests unitaires, comparer les performances des modèles, exploiter VertexAI pour l’explicabilité du modèle)
- Formation et service de modèles à l’échelle (formation distribuée, service de prédiction à l’échelle)
- Concevoir et mettre en œuvre des pipelines de formation (identifier les composants, gérer le cadre d’orchestration, concevoir des stratégies hybrides ou multicloud, utiliser les composants TFX)
- Mettre en œuvre des pipelines de diffusion (gérer les options de diffusion, tester les performances cibles, configurer les planifications)
- Suivre et auditer les métadonnées (organiser et suivre les expériences, gérer les versions de modèles/ensembles de données, comprendre le lignage des modèles/ensembles de données)
- Surveiller et dépanner les solutions ML (mesurer les performances, consigner les stratégies, établir des métriques d’évaluation continue)
- Ajuster les performances pour la formation et le service en production (optimiser le pipeline d’entrée, utiliser des techniques de simplification)
À qui s’adresse ce cours:
- Toute personne souhaitant devenir ingénieur professionnel en apprentissage automatique certifié Google Cloud
Exigences
- Une expérience préalable avec Google Cloud et Machine Learning sera utile. De plus, si vous êtes déjà certifié Google Professional Data Engineer, cela vous aidera grandement.
Dernière mise à jour 7/2023
Liens de téléchargement
Téléchargement direct
Ingénieur professionnel certifié en apprentissage automatique de Google.zip (6,5 Go) | Miroir
Téléchargement torrent
Ingénieur professionnel certifié en apprentissage automatique par Google.torrent (155 Ko) | Miroir