Kasra Zamanian
Mitglied seit 2022
Recommendation Systems on Google Cloud
Earned Sep 4, 2023 EDT
ML-Lösungen mit Vertex AI erstellen und bereitstellen
Earned Sep 4, 2023 EDT
Daten für ML-APIs in Google Cloud vorbereiten
Earned Sep 1, 2023 EDT
MLOps with Agent Platform: Manage Features
Earned Aug 30, 2023 EDT
Production Machine Learning Systems
Earned Aug 30, 2023 EDT
Machine Learning Operations (MLOps): Getting Started
Earned Jul 5, 2023 EDT
Natural Language Processing on Google Cloud
Earned Jun 15, 2023 EDT
Computer Vision Fundamentals with Google Cloud
Earned Jun 15, 2023 EDT
Machine Learning in the Enterprise
Earned Jun 8, 2023 EDT
[DEPRECATED] Feature Engineering
Earned Jun 7, 2023 EDT
[Depricated] Build, Train and Deploy ML Models with Keras on Google Cloud
Earned Apr 12, 2023 EDT
Launching into Machine Learning
Earned Mär 30, 2023 EDT
How Google Does Machine Learning
Earned Mär 30, 2023 EDT
[DEPRECATED] Google Cloud Big Data and Machine Learning Fundamentals
Earned Mär 27, 2023 EDT
Umgebung für die Anwendungsentwicklung in Google Cloud einrichten
Earned Mär 22, 2023 EDT
Google Cloud-Grundlagen: Kerninfrastruktur
Earned Mär 17, 2023 EDT
Google Cloud – Grundlagen
Earned Mär 1, 2023 EST
In this course, you apply your knowledge of classification models and embeddings to build a ML pipeline that functions as a recommendation engine.
This is the fifth and final course of the Advanced Machine Learning on Google Cloud series.
Weitere Informationen
Mit dem Skill-Logo zum Kurs ML-Lösungen mit Vertex AI erstellen und bereitstellen weisen Sie fortgeschrittene Kenntnisse nach. Sie lernen in diesem Kurs, wie Sie die Vertex AI-Plattform von Google Cloud, AutoML und benutzerdefinierte Trainingsdienste nutzen, um Machine-Learning-Modelle zu trainieren, zu bewerten, abzustimmen, zu erklären und bereitzustellen. Dieser Kurs richtet sich an professionelle Data Scientists und Machine Learning Engineers. Ein Skill-Logo ist ein exklusives digitales Abzeichen, das von Google Cloud ausgestellt wird und Ihre Kenntnisse über Produkte und Dienste von Google Cloud belegt. In diesem Zusammenhang wird auch die Fähigkeit bewertet, Ihr Wissen in einer interaktiven praxisnahen Umgebung anzuwenden. Absolvieren Sie diese Aufgabenreihe und die Challenge-Lab-Prüfung, um ein digitales Abzeichen zu erhalten, das Sie in Ihrem Netzwerk posten können.
Weitere Informationen
Mit dem Skill-Logo zum Kurs Daten für ML-APIs in Google Cloud vorbereiten weisen Sie Grundkenntnisse in folgenden Bereichen nach: Bereinigen von Daten mit Dataprep von Trifacta, Ausführen von Datenpipelines in Dataflow, Erstellen von Clustern und Ausführen von Apache Spark-Jobs in Managed Service for Apache Spark sowie Aufrufen von ML-APIs, einschließlich der Cloud Natural Language API, Cloud Speech-to-Text API und Video Intelligence API.
Weitere Informationen
This course introduces participants to MLOps tools and best practices for deploying, evaluating, monitoring and operating production ML systems on Google Cloud. MLOps is a discipline focused on the deployment, testing, monitoring, and automation of ML systems in production.
Learners will get hands-on practice using Agent Platform Feature Store's streaming ingestion at the SDK layer.
Weitere Informationen
This course covers how to implement the various flavors of production ML systems— static, dynamic, and continuous training; static and dynamic inference; and batch and online processing. You delve into TensorFlow abstraction levels, the various options for doing distributed training, and how to write distributed training models with custom estimators.
This is the second course of the Advanced Machine Learning on Google Cloud series. After completing this course, enroll in the Image Understanding with TensorFlow on Google Cloud course.
Weitere Informationen
This course introduces participants to MLOps tools and best practices for deploying, evaluating, monitoring and operating production ML systems on Google Cloud. MLOps is a discipline focused on the deployment, testing, monitoring, and automation of ML systems in production. Machine Learning Engineering professionals use tools for continuous improvement and evaluation of deployed models. They work with (or can be) Data Scientists, who develop models, to enable velocity and rigor in deploying the best performing models.
Weitere Informationen
This course introduces the products and solutions to solve NLP problems on Google Cloud. Additionally, it explores the processes, techniques, and tools to develop an NLP project with neural networks by using Vertex AI and TensorFlow.
Weitere Informationen
This course describes different types of computer vision use cases and then highlights different machine learning strategies for solving these use cases. The strategies vary from experimenting with pre-built ML models through pre-built ML APIs and AutoML Vision to building custom image classifiers using linear models, deep neural network (DNN) models or convolutional neural network (CNN) models.
The course shows how to improve a model's accuracy with augmentation, feature extraction, and fine-tuning hyperparameters while trying to avoid overfitting the data.
The course also looks at practical issues that arise, for example, when one doesn't have enough data and how to incorporate the latest research findings into different models.
Learners will get hands-on practice building and optimizing their own image classification models on a variety of public datasets in the labs they will work on.
Weitere Informationen
This course takes a real-world approach to the ML Workflow through a case study. An ML team faces several ML business requirements and use cases. The team must understand the tools required for data management and governance and consider the best approach for data preprocessing.
The team is presented with three options to build ML models for two use cases. The course explains why they would use AutoML, BigQuery ML, or custom training to achieve their objectives.
Weitere Informationen
This course explores the benefits of using Vertex AI Feature Store, how to improve the accuracy of ML models, and how to find which data columns make the most useful features. This course also includes content and labs on feature engineering using BigQuery ML, Keras, and TensorFlow.
Weitere Informationen
This course covers building ML models with TensorFlow and Keras, improving the accuracy of ML models and writing ML models for scaled use.
Weitere Informationen
The course begins with a discussion about data: how to improve data quality and perform exploratory data analysis. We describe Vertex AI AutoML and how to build, train, and deploy an ML model without writing a single line of code. You will understand the benefits of Big Query ML. We then discuss how to optimize a machine learning (ML) model and how generalization and sampling can help assess the quality of ML models for custom training.
Weitere Informationen
This course explores what ML is and what problems it can solve. The course also discusses best practices for implementing machine learning. You’re introduced to Vertex AI, a unified platform to quickly build, train, and deploy AutoML machine learning models.
The course discusses the five phases of converting a candidate use case to be driven by machine learning, and why it’s important to not skip them. The course ends with recognizing the biases that ML can amplify and how to recognize them.
Weitere Informationen
This course introduces the Google Cloud big data and machine learning products and services that support the data-to-AI lifecycle. It explores the processes, challenges, and benefits of building a big data pipeline and machine learning models with Vertex AI on Google Cloud.
Weitere Informationen
Erhalten Sie ein Skill-Logo, indem Sie den Kurs „Umgebung für die Anwendungsentwicklung in Google Cloud einrichten“ abschließen. Dabei lernen Sie, wie Sie eine speicherorientierte Cloud-Infrastruktur mithilfe der grundlegenden Funktionen der folgenden Technologien erstellen und verbinden: Cloud Storage, Identity and Access Management, Cloud Functions und Pub/Sub.
Weitere Informationen
In „Google Cloud-Grundlagen: Kerninfrastruktur“ werden wichtige Konzepte und die Terminologie für die Arbeit mit Google Cloud vorgestellt. In Videos und praxisorientierten Labs werden viele Computing- und Speicherdienste von Google Cloud sowie wichtige Tools für die Ressourcen- und Richtlinienverwaltung präsentiert und miteinander verglichen.
Weitere Informationen
In diesem Einführungskurs erhalten Sie praktische Fertigkeiten im Umgang mit den grundlegenden Tools und Services der Google Cloud. Ihnen werden optionale Videos bereitgestellt, in denen Sie sich weitergehend über die in den Labs behandelten Konzepte informieren können, so oft Sie möchten. „Google Cloud – Grundlagen“ ist ein empfohlener erster Kurs für Google Cloud-Lernende. Selbst wenn Sie vor diesem Kurs wenig bis gar nichts über die Cloud gewusst haben, verfügen Sie danach über praktische Erfahrungen, die Sie in Ihrem ersten Google Cloud-Projekt anwenden können. Vom Schreiben von Cloud Shell- Befehlen und dem Bereitstellen Ihrer ersten virtuellen Maschine bis hin zum Ausführen von Anwendungen auf Kubernetes Engine oder mit Load-Balancing – Google Cloud – Grundlagen ist eine erstklassige Einführung in die grundlegenden Funktionen der Plattform.
Weitere Informationen
