Participante desde 2021
Introdução à IA generativa
Earned Jul 5, 2023 EDT
Building Scalable Java Microservices with Spring Boot and Spring Cloud
Earned Feb 27, 2022 EST
Kubernetes no Google Cloud
Earned Feb 26, 2022 EST
Fundamentos do Google Cloud
Earned Feb 20, 2022 EST
Segurança de APIs com a plataforma da Apigee
Earned Feb 20, 2022 EST
Cloud Healthcare API
Earned Jan 31, 2022 EST
Este é um curso de microaprendizagem introdutório que busca explicar a IA generativa: o que é, como é usada e por que ela é diferente de métodos tradicionais de machine learning. O curso também aborda as ferramentas do Google que ajudam você a desenvolver apps de IA generativa.
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.
O Kubernetes é o sistema de orquestração de contêineres mais conhecido, e o Google Kubernetes Engine foi criado especificamente para oferecer suporte a implantações gerenciadas do Kubernetes no Google Cloud. Neste curso de nível avançado, você vai praticar a configuração de contêineres e imagens Docker e a implantação de aplicativos completos do Kubernetes Engine. Você também vai aprender as habilidades práticas necessárias para integrar a orquestração de contêineres ao próprio seu fluxo de trabalho. Está procurando um laboratório com desafios práticos para demonstrar suas habilidades e validar seu conhecimento? Quando terminar o curso, faça o laboratório extra com desafio ao fim do curso Implantar aplicativos do Kubernetes no Google Cloud para receber um selo digital exclusivo do Google Cloud.
Neste curso introdutório, você terá prática com as ferramentas e os serviços essenciais do Google Cloud. Vídeos opcionais estão disponíveis para fornecer mais contexto e revisar os conceitos abordados nos laboratórios. O curso Fundamentos do Google Cloud é uma introdução recomendada para quem quer aprender sobre o Google Cloud. Você pode entrar com pouco ou nenhum conhecimento prévio em nuvem e sair com habilidades práticas que você pode aplicar ao seu primeiro projeto no Google Cloud. Desde a criação de comandos do Cloud Shell e a implantação da sua primeira máquina virtual até a execução de aplicativos no Kubernetes Engine ou com balanceamento de carga, o Fundamentos do Google Cloud é uma excelente introdução aos recursos básicos da plataforma.
Neste curso, você vai saber como proteger APIs. Você também vai aprender sobre as preocupações de segurança relacionadas a elas. Você vai conhecer o OAuth, o principal método de autorização para APIs REST, além de JSON Web Tokens (JWTs) e segurança federada. Além disso, você vai aprender a enviar solicitações com segurança em uma rede pública, impedir as que são mal-intencionadas e proteger os dados dos usuários da Apigee. Com uma combinação de palestras, laboratórios práticos e materiais complementares, você vai projetar, criar, proteger, implantar e gerenciar soluções de API com a plataforma da Apigee no Google Cloud. Este é o segundo curso da série Como desenvolver APIs com a plataforma da Apigee. Depois de concluí-lo, inscreva-se no curso Desenvolvimento de APIs com a plataforma da Apigee.
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.