Mitglied seit 2021
Einführung in generative KI
Earned Jul 5, 2023 EDT
Building Scalable Java Microservices with Spring Boot and Spring Cloud
Earned Feb 27, 2022 EST
Kubernetes in Google Cloud
Earned Feb 26, 2022 EST
Google Cloud – Grundlagen
Earned Feb 20, 2022 EST
API Security with the Apigee API Platform
Earned Feb 20, 2022 EST
Cloud Healthcare API
Earned Jan 31, 2022 EST
In diesem Einführungskurs im Microlearning-Format wird erklärt, was generative KI ist, wie sie genutzt wird und wie sie sich von herkömmlichen Methoden für Machine Learning unterscheidet. Darüber hinaus werden Tools von Google behandelt, mit denen Sie eigene generative KI-Anwendungen entwickeln können.
The microservices architecture describes a software design pattern in which an application is a collection of loosely coupled services. These services are fine-grained, and can be individually maintained and scaled. The microservices architecture is ideal for the public cloud, with its focus on elastic scaling with on-demand resources. In this course, you will build a Java application using Spring Boot and Spring Cloud on Google Cloud.
Kubernetes ist das meistgenutzte System zur Orchestrierung von Containern. Die Google Kubernetes Engine wurde speziell für die Unterstützung verwalteter Kubernetes-Deployments in Google Cloud entwickelt. In diesem Kurs für Fortgeschrittene erfahren Sie, wie Sie Docker-Images und ‑Container konfigurieren und vollwertige Kubernetes Engine-Anwendungen bereitstellen. Sie erlernen die praktischen Fertigkeiten, die für die Einbindung der Containerorchestrierung in den eigenen Workflow erforderlich sind. Wenn Sie Ihre Fähigkeiten und Ihr Wissen unter Beweis stellen möchten, können Sie ein Challenge-Lab nach Abschluss des Kurses Kubernetes-Anwendungen in Google Cloud bereitstellen absolvieren, um ein exklusives digitales Google Cloud-Logo zu erhalten.
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.
In this course, you learn how to secure your APIs. You explore the security concerns you will encounter for your APIs. You learn about OAuth, the primary authorization method for REST APIs. You will learn about JSON Web Tokens (JWTs) and federated security. You also learn about securing against malicious requests, safely sending requests across a public network, and how to secure your data for users of Apigee. Through a combination of lectures, hands-on labs, and supplemental materials, you will learn how to design, build, secure, deploy, and manage API solutions using Google Cloud's Apigee API Platform. This is the second course of the Developing APIs with the Apigee API Platform series. After completing this course, enroll in the API Development with the Apigee API Platform course.
Cloud Healthcare API bridges the gap between care systems and applications built on Google Cloud. By supporting standards-based data formats and protocols of existing healthcare technologies, Cloud Healthcare API connects your data to advanced Google Cloud capabilities, including streaming data processing with Cloud Dataflow, scalable analytics with BigQuery, and machine learning with Cloud Machine Learning Engine. In this Quest you will use the Cloud Healthcare API to ingest and process data in the industry standard FHIR, HL7v2 and DICOM formats, train a TensorFlow model for prediction with FHIR data, and also gain practice with de-identification of datasets.