ibrahim elsanhouri
Mitglied seit 2025
Diamond League
22879 Punkte
KI-Agenten für Unternehmensdatenbanken erstellen
Earned Sep 5, 2026 EDT
Cloud Healthcare API
Earned Aug 8, 2026 EDT
Data Warehouse mit BigQuery erstellen
Earned Aug 5, 2026 EDT
Gemini-Modelle in BigQuery nutzen
Earned Aug 2, 2026 EDT
Mit Gemini in BigQuery produktiver arbeiten
Earned Aug 2, 2026 EDT
Einführung in Data Engineering in Google Cloud
Earned Jul 29, 2026 EDT
Build a Certification Study Guide: PDE Exam Prep
Earned Jul 29, 2026 EDT
Agentische Funktionen über Tools hinzufügen
Earned Jul 28, 2026 EDT
Agent-Speicher und ‑Zustand verwalten
Earned Jul 28, 2026 EDT
Agent-Verhalten optimieren
Earned Jul 28, 2026 EDT
Einführung in Vertex AI Studio
Earned Jul 27, 2026 EDT
Modelle zur Bilduntertitelung erstellen
Earned Jul 27, 2026 EDT
Transformer-Modelle und BERT-Modell
Earned Jul 27, 2026 EDT
Encoder-Decoder-Architektur
Earned Jul 27, 2026 EDT
Aufmerksamkeitsmechanismus
Earned Jul 27, 2026 EDT
Einstieg in die Bildgenerierung
Earned Jul 27, 2026 EDT
Einführung in Sicherheitskonzepte in der Welt der KI
Earned Jul 27, 2026 EDT
Cloud-Architektur: Entwerfen, umsetzen und verwalten
Earned Jul 27, 2026 EDT
Model Armor: KI-Bereitstellungen absichern
Earned Jul 23, 2026 EDT
Verantwortungsbewusste Anwendung von KI für Entwickler: Interpretierbarkeit und Transparenz
Earned Jul 22, 2026 EDT
Verantwortungsbewusste Anwendung von KI für Entwickler: Datenschutz und Sicherheit
Earned Jul 22, 2026 EDT
Kubernetes-Anwendungen in Google Cloud bereitstellen
Earned Jul 19, 2026 EDT
MLOps with Agent Platform: Manage Features
Earned Jul 15, 2026 EDT
Website in Google Cloud erstellen
Earned Jul 14, 2026 EDT
Daten mit Dataplex organisieren und verwalten
Earned Jul 11, 2026 EDT
Lakehouse-Daten schützen
Earned Jul 11, 2026 EDT
[DEPRECATED] Data Governance with Dataplex Universal Catalog
Earned Jul 11, 2026 EDT
Vektorsuche und Einbettungen
Earned Jul 5, 2026 EDT
Verantwortungsbewusste Anwendung von KI für Entwickler: Fairness und Bias
Earned Jul 1, 2026 EDT
Ereignisgesteuerte Anwendungen mit Eventarc entwickeln
Earned Jun 30, 2026 EDT
Machine Learning Operations (MLOps) für generative KI
Earned Jun 29, 2026 EDT
Einführung in KI und maschinelles Lernen in Google Cloud
Earned Jun 29, 2026 EDT
Cloud Load Balancing in der Compute Engine implementieren
Earned Jun 29, 2026 EDT
Einführung in die verantwortungsbewusste Anwendung von KI
Earned Jun 28, 2026 EDT
Google Cloud-Netzwerk entwickeln
Earned Jun 28, 2026 EDT
KI‑Infrastruktur: Netzwerktechniken
Earned Jun 26, 2026 EDT
KI-Infrastruktur: Speicheroptionen
Earned Jun 26, 2026 EDT
KI-Infrastruktur: Bereitstellungsarten
Earned Jun 26, 2026 EDT
KI-Infrastruktur: Cloud TPUs
Earned Jun 26, 2026 EDT
KI-Infrastruktur: Cloud-GPUs
Earned Jun 26, 2026 EDT
KI-Infrastruktur: Einführung in AI Hypercomputer
Earned Jun 25, 2026 EDT
Machine Learning Operations (MLOps) mit Vertex AI: Modellbewertung
Earned Jun 24, 2026 EDT
Daten für ML-APIs in Google Cloud vorbereiten
Earned Jun 24, 2026 EDT
Datenerfassung mit Document AI automatisieren
Earned Jun 23, 2026 EDT
Software-Engineering von KI-Agenten mit dem Agent Development Kit (ADK)
Earned Jun 23, 2026 EDT
Auf generativer KI basierende Anwendungen in Google Cloud entwickeln
Earned Jun 21, 2026 EDT
Serverlose Anwendungen mit Cloud Run Functions entwickeln
Earned Jun 21, 2026 EDT
Developing Applications with Cloud Run on Google Cloud: Fundamentals
Earned Jun 21, 2026 EDT
Multimodale Vektorsuche mit BigQuery implementieren
Earned Jun 14, 2026 EDT
Daten für die Vorhersagemodellierung mit BigQuery ML vorbereiten
Earned Jun 13, 2026 EDT
[DEPRECATED] Google Cloud Data Solutions for the Public Sector
Earned Jun 10, 2026 EDT
Production Machine Learning Systems
Earned Jun 7, 2026 EDT
Google Cloud-Kosten optimieren
Earned Mai 27, 2026 EDT
Den ersten Agent mit dem Agent Development Kit (ADK) erstellen
Earned Mai 18, 2026 EDT
Agents mit dem Agent Development Kit (ADK) erstellen
Earned Mai 18, 2026 EDT
Einbettungen, Vektorsuche und RAG mit BigQuery erstellen
Earned Mai 16, 2026 EDT
Serverless Data Processing with Dataflow: Develop Pipelines
Earned Mai 12, 2026 EDT
Serverless Data Processing with Dataflow: Foundations
Earned Mai 9, 2026 EDT
NCAA® March Madness®: Bracketology with Google Cloud
Earned Mär 29, 2026 EDT
Introduction to Vertex Forecasting and Time Series in Practice
Earned Mär 27, 2026 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud
Earned Mär 12, 2026 EDT
BigQuery Machine Learning für Inferenzen nutzen
Earned Mär 11, 2026 EDT
Streamanalyse in BigQuery
Earned Mär 11, 2026 EDT
Machine Learning Operations (MLOps): Getting Started
Earned Mär 11, 2026 EDT
Working with Notebooks in Vertex AI
Earned Mär 10, 2026 EDT
BigQuery für Machine Learning
Earned Mär 9, 2026 EDT
Build Streaming Data Pipelines on Google Cloud
Earned Feb 9, 2026 EST
Mit der MCP-Toolbox für Datenbanken KI-Agenten erstellen, die Unternehmensdatenbanken nutzen können Tools für die sichere Datenbankinteraktion definieren und intelligente Abfragefunktionen implementieren (unter Verwendung von Vektoreinbettungen und strukturierten Abfragen)
Weitere Informationen
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.
Weitere Informationen
Mit dem Skill-Logo zum Kurs Data Warehouse mit BigQuery erstellen weisen Sie fortgeschrittene Kenntnisse in folgenden Bereichen nach: Daten zusammenführen, um neue Tabellen zu erstellen, Probleme mit Joins lösen, Daten mit Unions anhängen, nach Daten partitionierte Tabellen erstellen und JSON, Arrays sowie Strukturen in BigQuery nutzen.
Weitere Informationen
In diesem Kurs wird gezeigt, wie Sie KI-/ML-Modelle für Aufgaben basierend auf generativer KI in BigQuery verwenden. Anhand eines praktischen Anwendungsfalls zum Customer-Relationship-Management lernen Sie den Workflow zur Lösung eines Geschäftsproblems mit Gemini-Modellen kennen. Zur besseren Nachvollziehbarkeit bietet der Kurs auch eine Schritt-für-Schritt-Anleitung für das Programmieren von Lösungen mithilfe von SQL-Abfragen und Python-Notebooks.
Weitere Informationen
Dieser Kurs behandelt Gemini in BigQuery, eine Suite KI-gesteuerter Funktionen zur Aufbereitung von Daten für die Verwendung in künstlicher Intelligenz. Zu diesen Funktionen gehören explorative Datenanalyse und ‑aufbereitung, Codegenerierung und Fehlerbehebung sowie Workflow-Erkennung und ‑Visualisierung. Durch konzeptionelle Erläuterungen, einen praxisnahen Anwendungsfall und praktische Übungen können Datenexperten mit diesem Kurs ihre Produktivität steigern und die Entwicklungspipeline beschleunigen.
Weitere Informationen
In diesem Kurs lernen Sie Data Engineering on Google Cloud sowie die Rollen und Verantwortlichkeiten von Data Engineers kennen und sehen, wie diese mit den Angeboten von Google Cloud zusammenhängen. Außerdem erfahren Sie, wie Sie Herausforderungen im Bereich Data Engineering meistern können.
Weitere Informationen
Learn how to use Gemini Notebook to create a personalized study guide for the Professional Data Engineer certification exam.
You'll review Gemini Notebook features, create a notebook in Gemini Notebook, and learn how to use a study guide to practice for a certification exam.
Weitere Informationen
Sie haben KI-Agenten mit erweiterten Konfigurationen entwickelt – machen Sie sie jetzt bereit für den realen Einsatz. Sie können Agenten mit Tools ausstatten, die eine Suche im Web, das Ausführen von Code, das Abfragen von Datenbanken und benutzerdefinierte Aktionen ermöglichen.
Weitere Informationen
Sie haben grundlegende LLM-Agenten erstellt, die auf Anfragen reagieren – jetzt machen wir sie zustandsorientiert. Mit dem Sitzungsstatus können Sie KI-Agenten erstellen, die im Kontext bleiben, Nutzerpräferenzen speichern und personalisierte Interaktionen ermöglichen.
Weitere Informationen
Sie haben Ihren ersten KI-Agenten erstellt – jetzt ist es an der Zeit, ihn weiterzuentwickeln. In diesem weiterführenden Kurs lernen Sie, wie Sie einen einfachen KI-Agenten in einen ausgereiften, präzisen Assistenten umwandeln – durch die Anwendung fortgeschrittener Anweisungen, eine passende Modellauswahl, Planungsfunktionen und Muster für strukturierte Ausgabe.
In unserem Community-Forum können Sie sich mit anderen austauschen.
Weitere Informationen
Dieser Kurs bietet eine Einführung in Vertex AI Studio, ein Tool für die Interaktion mit generativen KI-Modellen sowie das Prototyping von Geschäftsideen und ihre Umsetzung. Anhand eines eindrucksvollen Anwendungsfalls, ansprechender Lektionen und einer praktischen Übung lernen Sie den Lebenszyklus vom Prompt bis zum Produkt kennen und erfahren, wie Sie Vertex AI Studio für multimodale Gemini-Anwendungen, Prompt-Design, Prompt Engineering und Modellabstimmung einsetzen können. Ziel ist es, Ihnen aufzuzeigen, wie Sie das Potenzial von generativer KI in Ihren Projekten mit Vertex AI Studio ausschöpfen.
Weitere Informationen
In diesem Kurs erfahren Sie, wie Sie mithilfe von Deep Learning ein Modell zur Bilduntertitelung erstellen. Sie lernen die verschiedenen Komponenten eines solchen Modells wie den Encoder und Decoder und die Schritte zum Trainieren und Bewerten des Modells kennen. Nach Abschluss dieses Kurses haben Sie folgende Kompetenzen erworben: Erstellen eigener Modelle zur Bilduntertitelung und Verwenden der Modelle zum Generieren von Untertiteln
Weitere Informationen
Dieser Kurs bietet eine Einführung in die Transformer-Architektur und das BERT-Modell (Bidirectional Encoder Representations from Transformers). Sie lernen die Hauptkomponenten der Transformer-Architektur wie den Self-Attention-Mechanismus kennen und erfahren, wie Sie diesen zum Erstellen des BERT-Modells verwenden. Darüber hinaus werden verschiedene Aufgaben behandelt, für die BERT genutzt werden kann, wie etwa Textklassifizierung, Question Answering und Natural-Language-Inferenz. Der gesamte Kurs dauert ungefähr 45 Minuten.
Weitere Informationen
Dieser Kurs vermittelt Ihnen eine Zusammenfassung der Encoder-Decoder-Architektur, einer leistungsstarken und gängigen Architektur, die bei Sequenz-zu-Sequenz-Tasks wie maschinellen Übersetzungen, Textzusammenfassungen und dem Question Answering eingesetzt wird. Sie lernen die Hauptkomponenten der Encoder-Decoder-Architektur kennen und erfahren, wie Sie diese Modelle trainieren und bereitstellen können. Im dazugehörigen Lab mit Schritt-für-Schritt-Anleitung können Sie in TensorFlow von Grund auf einen Code für eine einfache Implementierung einer Encoder-Decoder-Architektur erstellen, die zum Schreiben von Gedichten dient.
Weitere Informationen
In diesem Kurs wird der Aufmerksamkeitsmechanismus vorgestellt. Dies ist ein leistungsstarkes Verfahren, das die Fokussierung neuronaler Netzwerke auf bestimmte Abschnitte einer Eingabesequenz ermöglicht. Sie erfahren, wie der Aufmerksamkeitsmechanismus funktioniert und wie Sie damit die Leistung verschiedener Machine Learning-Tasks wie maschinelle Übersetzungen, Zusammenfassungen von Texten und Question Answering verbessern können.
Weitere Informationen
In diesem Kurs werden Diffusion-Modelle vorgestellt, eine Gruppe verschiedener Machine Learning-Modelle, die kürzlich einige vielversprechende Fortschritte im Bereich Bildgenerierung gemacht haben. Diffusion-Modelle basieren auf physikalischen Konzepten der Thermodynamik und sind in den letzten Jahren in der Forschung und Industrie sehr beliebt geworden. Dabei stützen sich Diffusion-Modelle auf viele innovative Modelle und Tools zur Bildgenerierung in Google Cloud. In diesem Kurs werden Ihnen die theoretischen Grundlagen der Diffusion-Modelle erläutert und wie Sie diese Modelle über Vertex AI trainieren und bereitstellen können.
Weitere Informationen
Künstliche Intelligenz (KI) bietet revolutionäre Möglichkeiten, geht aber auch mit neuen Sicherheitsherausforderungen einher. In diesem Kurs lernen Führungskräfte im Bereich Sicherheit und Datenschutz Strategien für den sicheren Umgang mit KI in ihren Unternehmen kennen. Es wird ein Framework für das proaktive Erkennen und Mindern KI-spezifischer Risiken, den Schutz sensibler Daten, das Einhalten rechtlicher Vorgaben und den Aufbau einer robusten KI-Infrastruktur vorgestellt. Anhand von Anwendungsfällen aus vier verschiedenen Branchen wird gezeigt, wie sich diese Strategien auf reale Szenarien anwenden lassen.
Weitere Informationen
Erhalten Sie ein Skill-Logo, indem Sie den Kurs Cloud-Architektur: Entwerfen, umsetzen und verwalten abschließen. Dabei können Sie Fähigkeiten nachweisen, die für folgende Aufgaben nötig sind: eine öffentlich zugängliche Website mit Apache-Webservern bereitstellen, eine Compute Engine-VM mithilfe von Startscripts konfigurieren, sicheres RDP durch Nutzung von Firewallregeln und eines Windows-Bastion Hosts konfigurieren, ein Docker-Image in einem Kubernetes-Cluster bereitstellen und anschließend aktualisieren sowie eine Cloud SQL-Instanz erstellen und eine MySQL-Datenbank importieren. Diese Aufgabenreihe bietet eine gute Grundlage für bestimmte Themen, die Teil der Zertifizierungsprüfung zum Google Cloud Certified Professional Cloud Architect sind.
Weitere Informationen
In diesem Kurs werden die wichtigsten Sicherheitsfunktionen von Model Armor vorgestellt. Außerdem lernen Sie, wie Sie den Dienst nutzen können. Sie erfahren mehr über die Sicherheitsrisiken, die mit LLMs verbunden sind, und wie Model Armor Ihre KI-Anwendungen schützt.
Weitere Informationen
In diesem Kurs werden Konzepte in Bezug auf die Interpretierbarkeit und Transparenz von künstlicher Intelligenz vorgestellt. Sie erfahren, warum die Transparenz der KI für Entwickler-Teams wichtig ist. Dabei lernen Sie praktische Techniken und Tools kennen, mit denen Sie sowohl die Interpretierbarkeit als auch die Transparenz von Daten und KI-Modellen optimieren können.
Weitere Informationen
In diesem Kurs werden wichtige Themen zu Datenschutz und Sicherheit beim Einsatz von künstlicher Intelligenz vorgestellt. Dabei lernen Sie, wie Sie mit Google Cloud-Produkten und Open-Source-Tools empfohlene Vorgehensweisen im Zusammenhang mit Datenschutz und Sicherheit beim Einsatz von KI umsetzen.
Weitere Informationen
Mit dem Skill-Logo Kubernetes-Anwendungen in Google Cloud bereitstellen weisen Sie Kenntnisse in folgenden Bereichen nach: Konfigurieren und Erstellen von Docker-Container-Images, Erstellen und Verwalten von Google Kubernetes Engine-Clustern, Verwenden von kubectl für eine effiziente Clusterverwaltung und Bereitstellen von Kubernetes-Anwendungen mit leistungsfähigen Continuous Delivery-Abläufen.
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
Mit dem Skill-Logo zum Kurs Website in Google Cloud erstellen weisen Sie Grundkenntnisse nach. Dieser Kurs basiert auf der Videoreihe Get Cooking in Cloud und behandelt folgende Themen:Website in Cloud Run bereitstellenWebanwendung in Compute Engine hostenWebsite in der Google Kubernetes Engine erstellen, bereitstellen und skalierenVon einer monolithischen Anwendung zu einer Microservices-Architektur mit Cloud Build migrieren
Weitere Informationen
Mit dem Skill-Logo „Daten mit Dataplex organisieren und verwalten“ weisen Sie die folgenden Kenntnisse nach: Dataplex-Assets erstellen, Aspekttypen erstellen und Aspekte auf Einträge in Dataplex anwenden. Mit Skill-Logos weisen Sie Ihr Wissen zu bestimmten Produkten im Rahmen praxisorientierter Labs und Challenge-Prüfungen nach. Absolvieren Sie einen Kurs, um ein Logo zu erhalten, oder nehmen Sie an einem Challenge-Lab teil, damit Sie Ihr Logo noch heute bekommen. Mit Logos können Sie Kenntnisse nachweisen, Ihr berufliches Profil schärfen und so Ihre Karrierechancen verbessern. Die bisher erhaltenen Logos können Sie in Ihrem Profil ansehen.
Weitere Informationen
Mit dem Skill-Logo zum Einsteigerkurs Lakehouse-Daten schützen weisen Sie Grundkenntnisse im Umgang mit IAM, BigQuery, Lakehouse und Data Catalog in Knowledge Catalog nach, um Lakehouse-Tabellen zu erstellen und zu schützen.
Weitere Informationen
This course covers the fundamentals of data governance, including its frameworks. You will gain hands-on experience using the Dataplex Universal Catalog to profile data, manage data quality, and implement automated data lineage for BigQuery data sources. Learn to effectively manage, secure, and understand your organization's data assets.
Weitere Informationen
In diesem Kurs lernen Sie KI-basierte Suchtechnologien, Tools und Anwendungen kennen. Er umfasst folgende Themen: die semantische Suche mithilfe von Vektoreinbettungen, die Hybridsuche, bei der semantische und stichwortbezogene Ansätze kombiniert werden, und Retrieval-Augmented Generation (RAG), die KI-Halluzinationen durch einen fundierten KI-Agenten minimiert. Sie sammeln praktische Erfahrungen mit der Vektorsuche in Vertex AI zum Entwickeln einer intelligenten Suchmaschine.
Weitere Informationen
In diesem Kurs werden Konzepte für die verantwortungsbewusste Anwendung von KI und KI-Grundsätze vorgestellt. Es werden Techniken behandelt, wie Sie Fairness und Verzerrung (Bias) in der Praxis erkennen sowie Verzerrung in KI- und ML-Anwendungen reduzieren können. Dabei lernen Sie, wie Sie mit Google Cloud-Produkten und Open-Source-Tools Best Practices für eine verantwortungsbewusste Anwendung von KI umsetzen.
Weitere Informationen
Sichern Sie sich ein Skill-Logo, indem Sie den Kurs „Eventgesteuerte Anwendungen mit Eventarc entwickeln“ abschließen. In diesem Kurs erstellen Sie mit Eventarc Ereignistrigger für verschiedene Ressourcen wie Pub/Sub-Themen und Cloud Storage-Buckets.
Weitere Informationen
Dieser Kurs vermittelt Ihnen das Wissen und die nötigen Tools, um die speziellen Herausforderungen zu erkennen, mit denen MLOps-Teams bei der Bereitstellung und Verwaltung von Modellen basierend auf generativer KI konfrontiert sind. Sie erfahren, wie KI-Teams durch Vertex AI dabei unterstützt werden, MLOps-Prozesse zu optimieren und mit Projekten erfolgreich zu sein, in denen generative KI zum Einsatz kommt.
Weitere Informationen
In diesem Kurs lernen Sie die KI- und ML-Funktionen von Google Cloud kennen. Der Schwerpunkt liegt auf der Entwicklung von Projekten mit generativer und prädiktiver KI. Dabei werden die verschiedenen Technologien, Produkte und Tools vorgestellt, die für den gesamten Lebenszyklus der Datenaufbereitung für KI verfügbar sind. Data Scientists, KI-Entwickler*innen und ML-Engineers können ihr Fachwissen durch interaktive Übungen erweitern.
Weitere Informationen
Mit dem Skill-Logo zum Kurs Cloud Load Balancing in der Compute Engine implementieren weisen Sie Kenntnisse in folgenden Bereichen nach: virtuelle Maschinen in der Compute Engine erstellen und bereitstellen und Netzwerk- und Application Load Balancer konfigurieren.
Weitere Informationen
In diesem Einführungskurs im Microlearning-Format wird erklärt, was verantwortungsbewusste Anwendung von KI bedeutet, warum sie wichtig ist und wie Google dies in seinen Produkten berücksichtigt. Darüber hinaus werden die 7 KI-Grundsätze von Google behandelt.
Weitere Informationen
Erhalten Sie ein Skill-Logo, indem Sie den Kurs Google Cloud-Netzwerk entwickeln abschließen. Dabei wird anhand verschiedener Aufgaben behandelt, wie Sie Anwendungen bereitstellen und beobachten, darunter: IAM-Rollen prüfen, den Zugriff auf Projekte ermöglichen/entfernen, VPC-Netzwerke erstellen, Compute Engine-VMs bereitstellen und beobachten, SQL-Abfragen schreiben, VMs in der Compute Engine bereitstellen und beobachten sowie Anwendungen mithilfe von Kubernetes und mehreren Deploymentmodellen bereitstellen.
Weitere Informationen
Willkommen zum Kurs „KI-Infrastruktur: Netzwerktechniken“.
In diesem Kurs lernen Sie, die Infrastruktur von Google Cloud mit hoher Bandbreite und geringer Latenz zu nutzen, um die Datenübermittlung und die Kommunikation zwischen allen Komponenten Ihres KI-Systems zu optimieren. Am Ende sind Sie in der Lage, die wichtige Rolle von Netzwerken in der gesamten KI-Pipeline – von der Datenaufnahme über das Training bis hin zur Inferenz – zu verstehen und Best Practices anzuwenden, um dafür zu sorgen, dass Ihre Workloads mit maximaler Geschwindigkeit ausgeführt werden.
Weitere Informationen
In diesem Kurs erhalten Sie einen umfassenden Überblick über die Speicherlösungen von Google Cloud, die speziell auf KI- und Hochleistungs-Computing-Arbeitslasten (HPC-Arbeitslasten) zugeschnitten sind. Sie erfahren, wie Sie für jede Phase des ML-Lebenszyklus den richtigen Speicher auswählen. Sie lernen, wie Sie die I/O-Leistung während des Trainings optimieren, riesige Datasets im Rahmen der Datenvorbereitung verwalten und Modellartefakte mit geringer Latenz bereitstellen. Anhand praktischer Beispiele und Demonstrationen erwerben Sie das nötige Fachwissen, um solide Speicherlösungen zu entwickeln, die Ihre KI-Innovationen beschleunigen.
Weitere Informationen
Dieser Kurs bietet einen umfassenden Leitfaden zum Bereitstellen, Verwalten und Optimieren von KI- und HPC-Arbeitslasten (Hochleistungs-Computing) auf Google Cloud. In einer Reihe von Lektionen und praktischen Demonstrationen lernen Sie verschiedene Bereitstellungsstrategien kennen – von hochgradig anpassbaren Umgebungen mit der Google Compute Engine (GCE) bis hin zu verwalteten Lösungen wie der Google Kubernetes Engine (GKE). Dabei lernen Sie, wie Sie Cluster erstellen und GKE für Inferenzprozesse bereitstellen.
Weitere Informationen
Willkommen beim Kurs „Cloud TPUs“. Wir sehen uns die Vor- und Nachteile von TPUs in verschiedenen Szenarien an und vergleichen unterschiedliche TPU-Beschleuniger, um Ihnen bei der Auswahl des richtigen Produkts zu helfen. Sie lernen Strategien zur Maximierung der Leistung und Effizienz Ihrer KI-Modelle sowie die Bedeutung der GPU/TPU-Interoperabilität für flexible Machine-Learning-Workflows kennen. Mithilfe ansprechender Inhalte und praktischer Demos zeigen wir Ihnen Schritt für Schritt, wie Sie TPUs effektiv einsetzen können.
Weitere Informationen
Möchten Sie mehr über die leistungsstarke Hardware hinter KI erfahren? Dieses Modul erklärt die Funktionsweise von leistungsoptimierten KI-Computern und zeigt Ihnen, warum sie so wichtig sind. Wir gehen dabei darauf ein, wie CPUs, GPUs und TPUs die Ausführung von KI-Aufgaben extrem beschleunigen, was die einzelnen Komponenten auszeichnet und wie deren Potenzial durch KI-Software optimal genutzt werden kann. Am Ende dieses Moduls wissen Sie genau, wie Sie die richtige GPU für Ihre KI-Projekte auswählen, und können so die optimale Lösung für Ihre KI-Workloads finden.
Weitere Informationen
Sind Sie bereit, mit AI Hypercomputer loszulegen? Dieser Grundlagenkurs erleichtert Ihnen den Einstieg. Er vermittelt Ihnen, was AI Hypercomputer ist und wie damit KI bei KI-Arbeitslasten unterstützt wird. Sie lernen die verschiedenen Komponenten eines Hypercomputers kennen, wie GPUs, TPUs und CPUs, und erfahren, wie Sie den richtigen Ansatz hinsichtlich der Bereitstellung Ihren Anforderungen entsprechend auswählen.
Weitere Informationen
Dieser Kurs gibt Machine-Learning-Anwendern alle grundlegenden Tools, Techniken und Best Practices zur Bewertung von generativen und prädiktiven KI-Modellen an die Hand. Die Modellbewertung ist ein wichtiger Schritt, bei dem geprüft wird, ob ML-Systeme in der Produktion zuverlässige, genaue und leistungsstarke Ergebnisse erzielen.
Die Teilnehmer erwerben fundierte Kenntnisse über verschiedene Bewertungsmesswerte und -methoden und lernen, sie auf unterschiedliche Modelltypen und Aufgaben anzuwenden. Im Kurs wird schwerpunktmäßig auf die besonderen Herausforderungen generativer KI-Modelle eingegangen und es werden Strategien vorgestellt, wie sich diese effektiv bewältigen lassen. Die Teilnehmer lernen auf der Plattform Vertex AI von Google Cloud, robuste Bewertungsprozesse zur Auswahl, Optimierung und kontinuierlichen Überwachung des Modells zu implementieren.
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
Mit dem Skill-Logo zum Kurs Datenerfassung mit Document AI automatisieren weisen Sie Grundkenntnisse nach. In diesem Kurs lernen Sie, wie Sie mit Document AI Daten extrahieren, verarbeiten und erheben.
Weitere Informationen
Mit dem Skill-Logo zum Kurs Software-Engineering von KI-Agenten mit dem Agent Development Kit (ADK) weisen Sie fortgeschrittene Kenntnisse in folgenden Bereichen nach: Formulierung von vorhandenen Forschungsproblemen im Bereich Language Models, Erstellung eines einfachen Tokenizers, Vorbereitung eines Datasets für das Training eines Transformer-Sprachmodells, Ausführung der Trainingsschleife eines kleinen Sprachmodells.
Weitere Informationen
Mit auf generativer KI basierenden Anwendungen, kurz GenAI-Anwendungen, werden Nutzerinteraktionen möglich, die es vor Large Language Models (LLMs) kaum gab. Wie können Sie als Anwendungsentwickler mit generativer KI interaktive, leistungsstarke Anwendungen in Google Cloud erstellen?
In diesem Kurs lernen Sie etwas über Anwendungen, die auf generativer KI basieren, und erfahren, wie Sie Prompt-Design und Retrieval-Augmented Generation (RAG) nutzen können, um mit LLMs leistungsstarke Anwendungen zu entwickeln. Wir stellen Ihnen eine produktionsreife Architektur für auf generativer KI basierende Anwendungen vor und Sie erstellen eine Chat-Anwendung auf der Basis von LLMs und RAG.
Weitere Informationen
Wenn Sie den Kurs „Serverlose Anwendungen mit Cloud Run Functions erstellen“ abschließen, erhalten Sie ein Skill-Logo für Anfänger. Darin lernen Sie, wie Sie Cloud Run Functions über die Google Cloud Console und die Befehlszeile verwenden. Mit Skill-Logos weisen Sie Ihr Wissen zu bestimmten Produkten im Rahmen praxisorientierter Labs und Challenge-Prüfungen nach. Absolvieren Sie einen Kurs, um ein Logo zu erhalten, oder nehmen Sie an einem Challenge-Lab teil, damit Sie Ihr Logo noch heute bekommen. Mit Logos können Sie Kenntnisse nachweisen, Ihr berufliches Profil schärfen und so Ihre Karrierechancen verbessern. Die bisher erhaltenen Logos können Sie in Ihrem Profil ansehen.
Weitere Informationen
This course introduces the Cloud Run serverless platform for running applications.
In this course, you learn about the fundamentals of Cloud Run, its resource model and the container lifecycle.
You learn about service identities, how to control access to services, and how to develop and test your
application locally before deploying it to Cloud Run. The course also teaches you how to integrate
with other services on Google Cloud so you can build full-featured applications.
Weitere Informationen
Mit dem Skill-Logo Multimodale Vektorsuche mit BigQuery implementieren weisen Sie fortgeschrittene Kenntnisse in folgenden Bereichen nach: mit Gemini in BigQuery SQL generieren und debuggen, Sentimentanalysen durchführen, Text zusammenfassen und Keywords ermitteln, Einbettungen generieren, eine RAG-Pipeline (Retrieval-Augmented Generation) erstellen und eine multimodale Vektorsuche implementieren.
Weitere Informationen
Mit dem Skill-Logo zum Kurs Daten für die Vorhersagemodellierung mit BigQuery ML vorbereiten weisen Sie fortgeschrittene Kenntnisse in folgenden Bereichen nach: Erstellen von Pipelines für die Datentransformation nach BigQuery mithilfe von Dataprep von Trifacta; Extrahieren, Transformieren und Laden (ETL) von Workflows mit Cloud Storage, Dataflow und BigQuery; und Erstellen von Machine-Learning-Modellen mithilfe von BigQuery ML.
Weitere Informationen
Enterprise data sharing made easy with Dataplex and Analytics Hub
Learn how to share data securely in your lakehouse with minimized data duplication and more data governance through Dataplex and Analytics Hub - enterprise data management made easy.
Creating Data Pipelines with Data Fusion
In this session, we will explore using Data Fusion to create code-free point and click pipelines that can ETL high-volumes of data with support for popular data sources, including file systems and object stores, relational and NoSQL databases, and SaaS systems.
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
Dies ist der zweite Kurs einer zweiteiligen Reihe über Google Cloud Billing und die Grundlagen der Kostenverwaltung. Dieser Kurs ist ideal für Personen im Finanz- und/oder IT-Bereich, die für die Optimierung der Cloud-Infrastruktur ihrer Organisation zuständig sind. Hier lernen Sie Möglichkeiten kennen, Ihre Google Cloud-Kosten zu kontrollieren und zu optimieren. Dazu zählen das Einrichten von Budgets und Benachrichtigungen, das Verwalten von Kontingentlimits und die Berücksichtigung von Rabatten für die zugesicherte Nutzung. In den praxisorientierten Labs üben Sie die Verwendung verschiedener Tools, mit denen Sie nicht nur die Google Cloud-Kosten kontrollieren und optimieren, sondern auch Einfluss auf Ihre Technologieteams nehmen können, damit Best Practices für die Kostenoptimierung auch von ihnen angewendet werden.
Weitere Informationen
In diesem Modul können Sie Ihr Verständnis von KI-Agenten in die Praxis umsetzen und mit dem Agent Development Kit (ADK) von Google Ihren ersten KI-Agenten erstellen, konfigurieren und ausführen.
In diesem praxisorientierten Kurs richten Sie zuerst eine vollständige ADK-Entwicklungsumgebung ein. Dann erstellen Sie KI-Agenten sowohl mit Python-Code als auch mit einer YAML-Konfiguration und führen diese über verschiedene Benutzeroberflächen aus. Außerdem lernen Sie die wichtigsten Parameter kennen, die das Verhalten von KI-Agenten definieren. Dazu wenden Sie das in Kurs 1 Gelernte auf funktionierenden Code an.
Weitere Informationen
Wie zeigen Ihnen, wie Sie mit dem Agent Development Kit (ADK). In diesem Kurs geht es um das Open-Source-Framework des ADKs. Sie werden von der einfachen Prompt-Entwicklung zu einem Code-First-Ansatz für strukturierte Softwareentwicklung geführt.
Weitere Informationen
In diesem Kurs wird eine Lösung für Retrieval-Augmented Generation (RAG) in BigQuery vorgestellt, die KI-Halluzinationen minimiert. Sie lernen einen RAG-Workflow kennen, der die Erstellung von Einbettungen, die Suche in einem Vektorraum und die Generierung verbesserter Antworten umfasst. Darüber hinaus werden die konzeptionellen Gründe für diese Schritte und ihre praktische Umsetzung mit BigQuery erklärt. Am Ende des Kurses werden Sie in der Lage sein, eine RAG-Pipeline mithilfe von BigQuery und generativen KI-Modellen wie Gemini zu erstellen und Modelle einzubetten, um KI-Halluzinationen zu verhindern.
Weitere Informationen
In this second installment of the Dataflow course series, we are going to be diving deeper on developing pipelines using the Beam SDK. We start with a review of Apache Beam concepts. Next, we discuss processing streaming data using windows, watermarks and triggers. We then cover options for sources and sinks in your pipelines, schemas to express your structured data, and how to do stateful transformations using State and Timer APIs. We move onto reviewing best practices that help maximize your pipeline performance. Towards the end of the course, we introduce SQL and Dataframes to represent your business logic in Beam and how to iteratively develop pipelines using Beam notebooks.
Weitere Informationen
This course is part 1 of a 3-course series on Serverless Data Processing with Dataflow. In this first course, we start with a refresher of what Apache Beam is and its relationship with Dataflow. Next, we talk about the Apache Beam vision and the benefits of the Beam Portability framework. The Beam Portability framework achieves the vision that a developer can use their favorite programming language with their preferred execution backend. We then show you how Dataflow allows you to separate compute and storage while saving money, and how identity, access, and management tools interact with your Dataflow pipelines. Lastly, we look at how to implement the right security model for your use case on Dataflow.
Weitere Informationen
In this series of labs you will learn how to use BigQuery to analyze NCAA basketball data with SQL. Build a Machine Learning Model to predict the outcomes of NCAA March Madness basketball tournament games.
Weitere Informationen
This course is an introduction to building forecasting solutions with Google Cloud. You start with sequence models and time series foundations. You then walk through an end-to-end workflow: from data preparation to model development and deployment with Vertex AI. Finally, you learn the lessons and tips from a retail use case and apply the knowledge by building your own forecasting models.
Weitere Informationen
Incorporating machine learning into data pipelines increases the ability to extract insights from data. This course covers ways machine learning can be included in data pipelines on Google Cloud. For little to no customization, this course covers AutoML. For more tailored machine learning capabilities, this course introduces Notebooks and BigQuery machine learning (BigQuery ML). Also, this course covers how to productionalize machine learning solutions by using Vertex AI.
Weitere Informationen
Sie erfahren alles über BigQuery Machine Learning für Inferenzen, warum Datenanalysten es nutzen sollten, Anwendungsfälle und unterstützte ML-Modelle. Sie lernen auch, wie Sie ML-Modelle in BigQuery erstellen und verwalten.
Weitere Informationen
Weisen Sie mit einem Skill-Logo Ihre Kenntnisse über Streamanalyse in BigQuery nach. In diesem Kurs wenden Sie sowohl Pub/Sub und Dataflow als auch BigQuery an, um Daten für die Analyse zu streamen.
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 is an introduction to Vertex AI Notebooks, which are Jupyter notebook-based environments that provide a unified platform for the entire machine learning workflow, from data preparation to model deployment and monitoring. The course covers the following topics: (1) The different types of Vertex AI Notebooks and their features and (2) How to create and manage Vertex AI Notebooks.
Weitere Informationen
Sie möchten Machine-Learning-Modelle mithilfe von SQL in Minuten statt in Stunden erstellen? BigQuery ML sorgt für eine breite Nutzung von Machine Learning, indem es Datenanalysten ermöglicht, ML-Modelle zu erstellen, zu trainieren und zu bewerten sowie mit den Modellen und vorhandenen SQL-Tools und ‑Fähigkeiten Vorhersagen zu treffen. In dieser Lab-Reihe experimentieren Sie mit verschiedenen Modelltypen und erfahren, was für ein gutes Modell notwendig ist.
Weitere Informationen
In this course you will get hands-on in order to work through real-world challenges faced when building streaming data pipelines. The primary focus is on managing continuous, unbounded data with Google Cloud products.
Weitere Informationen
