Machine Learning on Google Cloud

• Décrire les technologies, produits et outils permettant de créer un modèle ML, un pipeline ML et un projet d’IA générative.
• Comprendre quand utiliser AutoML et BigQuery ML.
• Créer des ensembles de données gérés par Vertex AI.
• Ajouter des fonctionnalités au Vertex AI Feature Store.
• Décrire Analytics Hub, Dataplex et Data Catalog.
• Décrire comment améliorer les performances du modèle.
• Créer un notebook géré par l’utilisateur Vertex AI Workbench, créez une tâche de formation personnalisée et déployez-la à l’aide d’un conteneur Docker.
• Décrire les prédictions par lots et en ligne ainsi que la surveillance des modèles.
• Décrire comment améliorer la qualité des données et explorer vos données.
• Créer et former des modèles d’apprentissage supervisé.
• Optimiser et évaluer les modèles à l’aide de fonctions de perte et de mesures de performances.
• Créer des ensembles de données d’entraînement, d’évaluation et de test reproductibles et évolutifs.
• Implémenter des modèles ML à l’aide de TensorFlow ou Keras.
• Comprendre les avantages de l’utilisation de l’ingénierie des fonctionnalités.
• Expliquer la surveillance du modèle Vertex AI et les pipelines Vertex AI.

Ce cours présente les offres d’intelligence artificielle (IA) et d’apprentissage automatique (ML) sur Google Cloud qui prennent en charge le cycle de vie des données vers l’IA via les fondations de l’IA, le développement de l’IA et les solutions d’IA.

Il explore les technologies, produits et outils disponibles pour créer un modèle ML, un pipeline ML et un projet d’IA générative.

Vous apprenez à créer des modèles AutoML sans écrire une seule ligne de code ; créez des modèles BigQuery ML à l’aide de SQL et créez des tâches d’entraînement personnalisées Vertex AI à l’aide de Keras et TensorFlow.

Vous explorez également les techniques de prétraitement des données et l’ingénierie des fonctionnalités.

Module 1: Introduction à l’IA et au machine learning sur Google Cloud

Objectifs

• Reconnaître le framework AI/ML sur Google Cloud.
• Identifier les principaux composants de l’infrastructure Google Cloud.
• Définir les produits de données et de ML sur Google Cloud et la manière dont ils prennent en charge le cycle de vie des données vers l’IA.
• Créez un modèle de ML avec BigQueryML pour transférer les données vers l’IA.
• Définir différentes options pour créer un modèle de ML sur Google Cloud.
• Reconnaître les principales fonctionnalités et les situations applicables des API pré-entraînées, d’AutoML et de l’entraînement personnalisé.
• Utilisez l’API Natural Language pour analyser le texte.
• Définir le flux de travail de création d’un modèle ML.
• Décrire MLOps et l’automatisation des flux de travail sur Google Cloud.
• Créer un modèle de ML de bout en bout à l’aide d’AutoML sur Vertex AI.
• Définir l’IA générative et les grands modèles de langage.
• Utiliser les capacités d’IA générative dans le développement de l’IA.
• Reconnaître les solutions d’IA et les fonctionnalités d’IA générative intégrées.

Activités

• Laboratoires pratiques
• Quiz
• Lectures

Module 2: Se lancer dans le Machine Learning

Objectifs

• Décrire comment améliorer la qualité des données.
• Effectuer une analyse exploratoire des données.
• Créer et entraîner des modèles d’apprentissage supervisé.
• Décrire AutoML et comment créer, entraîner et déployer un modèle ML sans écrire une seule ligne de code.
• Décrire BigQuery ML et ses avantages.
• Optimiser et évaluer les modèles à l’aide de fonctions de perte et de mesures de performances.
• Atténuer les problèmes courants qui surviennent dans le machine learning
• Créer des jeux de données d’entraînement, d’évaluation et de test reproductibles et évolutifs.

Activités

• Laboratoires pratiques
• Quiz
• Lectures

Module 3: TensorFlow dans Google Cloud

Objectifs

• Créer des modèles de machine learning TensorFlow et Keras.
• Décrire les principaux composants de TensorFlow.
• Utiliser la bibliothèque tf.data pour manipuler des données et des jeux de données volumineux.
• Créer un modèle ML qui utilise les couches de prétraitement tf.keras.
• Utiliser les API séquentielles et fonctionnelles Keras pour une création de modèles simple et avancée.
• Entraîner, déployer et mettre en production des modèles de ML à grande échelle avec le service d’entraînement Vertex AI.

Activités

• Laboratoires pratiques
• Quiz
• Lectures

Module 4: Feature Engineering

Objectifs

• Décrire le Feature Store de Vertex AI.
• Comparer les principaux aspects requis d’une bonne feature.
• Utiliser les utilitaires tf.keras.preprocessing pour travailler avec des données d’image, des données de texte et des données de séquence.
• Effectuer le Feature Engineering à l’aide de BigQuery ML, Keras et TensorFlow.

Activités

• Laboratoires pratiques
• Quiz
• Lectures

Module 5: Machine Learning en Entreprise

Objectifs

• Comprendre les outils requis pour la gestion et la gouvernance des données.
• Décrire la meilleure approche pour le prétraitement des données : depuis la présentation de Dataflow et Dataprep jusqu’à l’utilisation de SQL pour les tâches de prétraitement.
• Expliquer en quoi AutoML, BigQuery ML et l’entraînement personnalisé diffèrent et quand utiliser un framework particulier.
• Décrire le réglage des hyperparamètres à l’aide de Vertex AI Vizier pour améliorer les performances du modèle.
• Expliquer la prédiction et la surveillance des modèles, ainsi que la manière dont Vertex AI peut être utilisé pour gérer les modèles de ML.
• Décrire les avantages de Vertex AI Pipelines.
• Décrire les bonnes pratiques en matière de déploiement et de diffusion de modèles, de surveillance des modèles, de Vertex AI Pipelines et d’organisation des artefacts.

Activités

• Laboratoires pratiques
• Quiz
• Lectures