Descripción general

Duración: 1 min

En este lab, refactorizarás la regresión lineal que implementaste en el lab anterior para que obtenga datos de un tf.data.Dataset y aprenderás a implementar un descenso de gradientes estocástico con ellos. En este caso, el conjunto de datos original será sintético, y la API de tf.data lo leerá directamente desde la memoria.

En la segunda parte, aprenderás a cargar un conjunto de datos que reside en un disco con la API de tf.data.

Objetivos de aprendizaje

En este lab, aprenderás a hacer lo siguiente:

• Crear un notebook de instancia de Workbench
• Usar tf.data para leer datos de la memoria
• Usar tf.data en un bucle de entrenamiento
• Usar tf.data para leer datos de un disco
• Escribir canalizaciones de entrada de producción con la ingeniería de atributos (lotes, redistribución, etcétera)

Vertex AI ofrece dos soluciones de notebook, Workbench y Colab Enterprise.

Workbench

Vertex AI Workbench es una buena opción para los proyectos que priorizan el control y la personalización. Es excelente para proyectos complejos que abarcan múltiples archivos, con dependencias complejas. También es una buena opción para científicos de datos que están haciendo la transición a la nube desde una estación de trabajo o laptop.

Las instancias de Vertex AI Workbench tienen un conjunto previamente instalado de paquetes de aprendizaje profundo, lo que incluye la compatibilidad con los frameworks de TensorFlow y PyTorch.

Configuración

En cada lab, recibirás un proyecto de Google Cloud y un conjunto de recursos nuevos por tiempo limitado y sin costo adicional.

1. Accede a Google Skills en una ventana de incógnito.

2. Ten en cuenta el tiempo de acceso del lab (por ejemplo, 1:15:00) y asegúrate de finalizarlo en el plazo asignado.
   No existe una función de pausa. Si lo necesitas, puedes reiniciar el lab, pero deberás hacerlo desde el comienzo.

3. Cuando esté listo, haga clic en Comenzar lab.

4. Anote las credenciales del lab (el nombre de usuario y la contraseña). Las usarás para acceder a la consola de Google Cloud.

5. Haga clic en Abrir Google Console.

6. Haga clic en Usar otra cuenta, copie las credenciales para este lab y péguelas en el mensaje emergente que aparece.
   Si usas otras credenciales, se generarán errores o incurrirás en cargos.

7. Acepta las condiciones y omite la página de recursos de recuperación.

Tarea 1: Inicia la instancia de Vertex AI Workbench

1. En el menú de navegación () de la consola de Google Cloud, selecciona Vertex AI.

2. Haz clic en Habilitar todas las APIs recomendadas.

3. En el menú de navegación, haz clic en Workbench.

   En la parte superior de la página de Workbench, asegúrate de estar en la vista Instances.

4. Haz clic en Create New.

5. Configura la instancia:

   • Name: lab-workbench
   • Region: Configura la región como
   • Zone: Establece la zona en
   • Advanced Options: Si es necesario, haz clic en "Advanced Options" para realizar personalizaciones adicionales (p. ej., tipo de máquina, tamaño del disco).

6. Haz clic en Create.

La instancia tardará algunos minutos en crearse. Se mostrará una marca de verificación verde junto a su nombre cuando esté lista.

7. Haz clic en ABRIR JUPYTERLAB junto al nombre de la instancia para iniciar la interfaz de JupyterLab. Se abrirá una pestaña nueva en el navegador.

8. Haz clic en el ícono de Python 3 para iniciar un nuevo notebook de Python.

9. Haz clic con el botón derecho en el archivo Untitled.ipynb en la barra de menú y selecciona Cambiar el nombre del notebook para asignarle un nombre significativo.

Acabas de configurar el entorno. Ya tienes todo listo para comenzar a trabajar con tu notebook de Vertex AI Workbench.

Haz clic en Revisar mi progreso para verificar el objetivo. Iniciar la instancia de Vertex AI Workbench

Tarea 2. Clona un repo de un curso en tu interfaz de JupyterLab

El repo de GitHub contiene el archivo del lab y los archivos de soluciones del curso.

1. Copia y ejecuta el siguiente código en la primera celda de tu notebook para clonar el repositorio training-data-analyst.

2. Para confirmar que se haya clonado el repositorio, haz doble clic en el directorio training-data-analyst y confirma que puedes ver el contenido.

Haz clic en Revisar mi progreso para verificar el objetivo. Clonar un repo de un curso en tu interfaz de JupyterLab

Tarea 3. Manipula datos con tf.data

Duración: 30 min

1. En la interfaz del notebook, navega a training-data-analyst > courses > machine_learning > deepdive2 > introduction_to_tensorflow > labs > 2_dataset_api.ipynb.

2. Se mostrará una ventana emergente para que selecciones un kernel. Entre las opciones, elige el kernel TensorFlow 2.11 (Local).

3. En la interfaz del notebook, haz clic en Editar > Borrar todos los resultados.

4. Lee con atención las instrucciones del notebook y completa con el código correspondiente las líneas que están marcadas con #TODO según sea necesario.

Haz clic en Revisar mi progreso para verificar el objetivo. Manipular datos con tf.data

Finalice su lab

Cuando haya completado su lab, haga clic en Finalizar lab. Qwiklabs quitará los recursos que usó y limpiará la cuenta por usted.

Tendrá la oportunidad de calificar su experiencia en el lab. Seleccione la cantidad de estrellas que corresponda, ingrese un comentario y haga clic en Enviar.

La cantidad de estrellas indica lo siguiente:

• 1 estrella = Muy insatisfecho
• 2 estrellas = Insatisfecho
• 3 estrellas = Neutral
• 4 estrellas = Satisfecho
• 5 estrellas = Muy satisfecho

Puede cerrar el cuadro de diálogo si no desea proporcionar comentarios.

Para enviar comentarios, sugerencias o correcciones, use la pestaña Asistencia.

Copyright 2026 Google LLC. Todos los derechos reservados. Google y el logotipo de Google son marcas de Google LLC. El resto de los nombres de productos y empresas pueden ser marcas de las respectivas empresas a las que están asociados.