Curso Machine Learning on Google Cloud

En el curso Machine Learning on Google Cloud aprenderás a:
Construir modelos Vertex AI AutoML sin escribir una sola línea de código.
Crear modelos de BigQuery ML con conocimientos básicos de SQL.
Crear e implementar trabajos de entrenamiento personalizados de Vertex AI utilizando contenedores (con poco conocimiento de Docker).
Utilizar Feature Store para la administración y el gobierno de datos.
Utilizar ingeniería de características para mejorar el modelo.
Determinar las opciones de preprocesamiento de datos apropiadas para caso de uso.
Escribir modelos de ML distribuidos que escalen en TensorFlow.
Aprovechar las prácticas recomendadas para implementar el machine learning en Google Cloud.

Estar familiarizado con los conceptos básicos de machine learning.
Tener un dominio básico de un lenguaje de secuencias de comandos, preferiblemente Python.

Aspirantes a analistas de datos de machine learning, científicos de datos e ingenieros de datos.
Personas que deseen aprender sobre machine learning mediante Vertex AI AutoML, BQML, Feature Store, Workbench, Dataflow, Vizier para el ajuste de hiperparámetros, y TensorFlow/Keras.

Crear, entrenar e implementar un modelo de machine learning sin escribir una sola línea de código usando Vertex AI AutoML.
Comprender cuándo usar AutoML y Big Query ML.
Crear conjuntos de datos gestionados por Vertex AI.
Agregar funciones a una Feature Store.
Describir Analytics Hub, Dataplex y Data Catalog.
Describir el ajuste de hiperparámetros con Vertex Vizier y cómo se puede utilizar para mejorar el rendimiento del modelo.
Crear un cuaderno administrado por el usuario de Vertex AI Workbench, un trabajo de capacitación personalizado y luego implementarlo usando un contenedor Docker.
Describir predicciones por lotes y en línea, y monitoreo de modelos.
Describir cómo mejorar la calidad de los datos.
Realizar análisis de datos exploratorios.
Construir y entrenar modelos de aprendizaje supervisado.
Optimizar y evaluar modelos utilizando funciones de pérdida y métricas de rendimiento.
Crear conjuntos de datos de prueba, evaluación y entrenamiento repetibles y escalables.
Implementar modelos ML usando TensorFlow/Keras.
Describir cómo representar y transformar características.
Comprender los beneficios de utilizar la ingeniería de funciones.
Explicar Vertex AI Pipelines.

Curso 1: How Google Does Machine Learning
Describe the Vertex AI Platform and how it is used to quickly build, train, and deploy AutoML machine learning models without writing a single line of code.
Describe best practices for implementing machine learning on Google Cloud.
Develop a data strategy around machine learning.
Examine use cases that are then reimagined through an ML lens.
Leverage Google Cloud Platform tools and environment to do ML.
Learn from Google´s experience to avoid common pitfalls.
Carry out data science tasks in online collaborative notebooks.

Curso 2: Launching into Machine Learning
Describe Vertex AI AutoML and how to build, train, and deploy an ML model without writing a single line of code.
Describe Big Query ML and its benefits.
Describe how to improve data quality.
Perform exploratory data analysis.
Build and train supervised learning models.
Optimize and evaluate models using loss functions and performance metrics.
Mitigate common problems that arise in machine learning.
Create repeatable and scalable training, evaluation, and test datasets.

Curso 3: TensorFlow on Google Cloud
Create TensorFlow and Keras machine learning models.
Describe TensorFlow key components.
Use the tf.data library to manipulate data and large datasets.
Build a ML model using tf.keras preprocessing layers.
Use the Keras Sequential and Functional APIs for simple and advanced model creation. Understand how model subclassing can be used for more customized models.
Use tf.keras.preprocessing utilities for working with image data, text data, and sequence data.
Train, deploy, and productionalize ML models at scale with Cloud AI Platform.

Curso 4: Feature Engineering
Describe Vertex AI Feature Store.
Compare the key required aspects of a good feature.
Combine and create new feature combinations through feature crosses.
Perform feature engineering using BigQuery ML, Keras, and TensorFlow.
Understand how to preprocess and explore features with Dataflow and Dataprep by Trifacta.
Understand and apply how TensorFlow transforms features.

Curso 5: Machine Learning in the Enterprise
Describe the best approach for data preprocessing: from providing an overview of Dataflow and Dataprep to using SQL for preprocessing tasks.
Explain how AutoML, BigQuery ML, and custom training differ and when to use a particular framework.
Describe hyperparameter tuning using Vertex Vizier and how it can be used to improve model performance.
Explain prediction and model monitoring and how Vertex AI can be used to manage ML models.
Describe the benefits of Vertex AI Pipelines.