加入 登录

Yash Anchan

成为会员时间：2025

钻石联赛

7885 积分
使用智能体开发套件 (ADK) 构建 AI 智能体 Earned May 22, 2026 EDT
Responsible AI: 和 Google Cloud 一起践行 AI 原则 Earned May 17, 2026 EDT
负责任的 AI 简介 Earned May 17, 2026 EDT
大型语言模型简介 Earned May 17, 2026 EDT
生成式 AI 简介 Earned May 17, 2026 EDT
使用 Google Cloud 进行基础设施和应用的现代化改造 Earned Feb 25, 2026 EST
Google Cloud 数据分析功能简介 Earned Feb 25, 2026 EST
Build Batch Data Pipelines on Google Cloud Earned Feb 13, 2026 EST
Build Data Lakes and Data Warehouses on Google Cloud Earned Dec 28, 2025 EST
Machine Learning Operations (MLOps): Getting Started Earned Mar 2, 2025 EST

完成本课程，赢取使用智能体开发套件 (ADK) 构建 AI 智能体中级技能徽章，展示您在以下方面的技能： 提出实际的语言模型研究问题；构建一个简单的词元化器；制作用于训练 Transformer 语言模型的数据集；运行小语言模型的训练循环。

了解详情

随着企业对人工智能和机器学习的应用越来越广泛，以负责任的方式构建这些技术也变得更加重要。但对很多企业而言，真正践行 Responsible AI 并非易事。如果您有意了解如何在组织内践行 Responsible AI，本课程正适合您。 本课程将介绍 Google Cloud 目前如何践行 Responsible AI，以及从中总结的最佳实践和经验教训，便于您以此为框架构建自己的 Responsible AI 方法。

了解详情

这是一节入门级微课程，旨在解释什么是负责任的 AI、它的重要性，以及 Google 如何在自己的产品中实现负责任的 AI。此外，本课程还介绍了 Google 的 7 个 AI 开发原则。

了解详情

这是一节入门级微学习课程，探讨什么是大型语言模型 (LLM)、适合的应用场景以及如何使用提示调整来提升 LLM 性能，还介绍了可以帮助您开发自己的 Gen AI 应用的各种 Google 工具。

了解详情

这是一节入门级微课程，旨在解释什么是生成式 AI、它的用途以及与传统机器学习方法的区别。该课程还介绍了可以帮助您开发自己的生成式 AI 应用的各种 Google 工具。

了解详情

许多传统企业都在使用无法满足现代客户期望的旧式系统和应用。业务领导者往往需要在维护老旧的 IT 系统和投资新产品与服务之间做出选择。本课程探讨了这些挑战，并提供了利用云技术克服这些挑战的解决方案。 作为 Cloud Digital Leader 学习路线的一部分，本课程旨在帮助个人在工作中成长，并为企业打造美好未来。

了解详情

本课程是 Google Cloud 数据分析认证的第一门课程（共五门）。在本课程中，您将认识云数据分析领域，并了解云数据分析师在数据获取、存储、处理和可视化方面的角色和职责。您将探索 BigQuery 和 Cloud Storage 等基于 Google Cloud 的工具的架构，以及如何使用这些工具有效地设计数据结构，以及展示和报告数据。

了解详情

In this intermediate course, you will learn to design, build, and optimize robust batch data pipelines on Google Cloud. Moving beyond fundamental data handling, you will explore large-scale data transformations and efficient workflow orchestration, essential for timely business intelligence and critical reporting. Get hands-on practice using Dataflow for Apache Beam and Serverless for Apache Spark (Dataproc Serverless) for implementation, and tackle crucial considerations for data quality, monitoring, and alerting to ensure pipeline reliability and operational excellence. A basic knowledge of data warehousing, ETL/ELT, SQL, Python, and Google Cloud concepts is recommended.

了解详情

While the traditional approaches of using data lakes and data warehouses can be effective, they have shortcomings, particularly in large enterprise environments. This course introduces the concept of a data lakehouse and the Google Cloud products used to create one. A lakehouse architecture uses open-standard data sources and combines the best features of data lakes and data warehouses, which addresses many of their shortcomings.

了解详情

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.

了解详情