Gabung Login

Jonathan Muwanguzi

Menjadi anggota sejak 2023

Diamond League

46810 poin
MLOps with Agent Platform: Manage Features Earned Jan 8, 2024 EST
Machine Learning Operations (MLOps): Getting Started Earned Jan 8, 2024 EST
Recommendation Systems on Google Cloud Earned Jan 8, 2024 EST
Natural Language Processing on Google Cloud Earned Jan 6, 2024 EST
Machine Learning in the Enterprise Earned Jan 5, 2024 EST
[DEPRECATED] Feature Engineering Earned Jan 5, 2024 EST
[Depricated] Build, Train and Deploy ML Models with Keras on Google Cloud Earned Jan 5, 2024 EST
Launching into Machine Learning Earned Jan 3, 2024 EST
Pengantar AI dan Machine Learning di Google Cloud Earned Jan 3, 2024 EST
Penjelajah AI Generatif - Agent Platform Earned Jan 1, 2024 EST
Pengantar Vertex AI Studio Earned Jan 1, 2024 EST
Membuat Model Pemberian Teks pada Gambar Earned Jan 1, 2024 EST
Arsitektur Encoder-Decoder Earned Jan 1, 2024 EST
Model Transformer dan Model BERT Earned Jan 1, 2024 EST
Mekanisme Atensi Earned Jan 1, 2024 EST
Pengantar Pembuatan Gambar Earned Jan 1, 2024 EST
Mengelola Model Data di Looker Earned Des 31, 2023 EST
Menerapkan Konsep LookML Lanjutan di Looker Earned Des 30, 2023 EST
Membuat Model ML dengan BigQuery ML Earned Des 10, 2023 EST
Build a Certification Study Guide: PCNE Exam Prep Earned Des 8, 2023 EST
Build a Certification Study Guide: PDE Exam Prep Earned Okt 26, 2023 EDT
Rekayasa Data untuk Pembuatan Model Prediktif dengan BigQuery ML Earned Okt 20, 2023 EDT
Membangun Data Warehouse dengan BigQuery Earned Okt 17, 2023 EDT
Menyiapkan Data untuk ML API di Google Cloud Earned Okt 16, 2023 EDT
Serverless Data Processing with Dataflow: Foundations Earned Okt 12, 2023 EDT
Build Streaming Data Pipelines on Google Cloud Earned Okt 12, 2023 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud Earned Okt 9, 2023 EDT
Build Batch Data Pipelines on Google Cloud Earned Okt 9, 2023 EDT
Build Data Lakes and Data Warehouses on Google Cloud Earned Sep 30, 2023 EDT

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.

Pelajari lebih lanjut

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.

Pelajari lebih lanjut

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.

Pelajari lebih lanjut

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.

Pelajari lebih lanjut

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.

Pelajari lebih lanjut

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.

Pelajari lebih lanjut

This course covers building ML models with TensorFlow and Keras, improving the accuracy of ML models and writing ML models for scaled use.

Pelajari lebih lanjut

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.

Pelajari lebih lanjut

Kursus ini memperkenalkan kemampuan AI dan machine learning (ML) Google Cloud, dengan fokus pada pengembangan project AI generatif dan prediktif. Kursus ini akan membahas berbagai teknologi, produk, dan alat yang tersedia di seluruh siklus proses data ke AI, yang memberdayakan data scientist, developer AI, dan engineer ML untuk meningkatkan keahlian mereka melalui latihan interaktif.

Pelajari lebih lanjut

Kursus Penjelajah AI Generatif - Agent Platform adalah sekumpulan lab yang membahas cara menggunakan AI Generatif di Google Cloud. Melalui lab ini, Anda akan mempelajari cara menggunakan model Gemini di Agent Platform. Anda juga akan mempelajari apa itu desain perintah, praktik terbaik desain perintah, serta cara menggunakan desain perintah untuk pencarian ide, klasifikasi teks, ekstraksi teks, peringkasan teks, dan lainnya. Anda juga akan mempelajari cara menyesuaikan model dasar dengan melatihnya melalui pelatihan kustom di Agent Platform dan men-deploy-nya ke endpoint di Agent Platform.

Pelajari lebih lanjut

Kursus ini memperkenalkan Vertex AI Studio, sebuah alat untuk berinteraksi dengan model AI generatif, membuat prototipe ide bisnis, dan meluncurkannya ke dalam produksi. Melalui kasus penggunaan yang imersif, pelajaran menarik, dan lab interaktif, Anda akan menjelajahi siklus proses dari perintah ke produk dan mempelajari cara memanfaatkan Vertex AI Studio untuk aplikasi multimodal Gemini, desain perintah, rekayasa perintah, dan tuning model. Tujuan kursus ini adalah agar Anda dapat memanfaatkan potensi AI generatif dalam project Anda dengan Vertex AI Studio.

Pelajari lebih lanjut

Kursus ini menjelaskan cara membuat model keterangan gambar menggunakan deep learning. Anda akan belajar tentang berbagai komponen model keterangan gambar, seperti encoder dan decoder, serta cara melatih dan mengevaluasi model. Pada akhir kursus ini, Anda akan dapat membuat model keterangan gambar Anda sendiri dan menggunakannya untuk menghasilkan teks bagi gambar.

Pelajari lebih lanjut

Kursus ini memberi Anda sinopsis tentang arsitektur encoder-decoder, yang merupakan arsitektur machine learning yang canggih dan umum untuk tugas urutan-ke-urutan seperti terjemahan mesin, ringkasan teks, dan tanya jawab. Anda akan belajar tentang komponen utama arsitektur encoder-decoder serta cara melatih dan menyalurkan model ini. Dalam panduan lab yang sesuai, Anda akan membuat kode pada penerapan simpel arsitektur encoder-decoder di TensorFlow untuk pembuatan puisi dari awal.

Pelajari lebih lanjut

Kursus ini memperkenalkan Anda pada arsitektur Transformer dan model Representasi Encoder Dua Arah dari Transformer (Bidirectional Encoder Representations from Transformers atau BERT). Anda akan belajar tentang komponen utama arsitektur Transformer, seperti mekanisme self-attention, dan cara penggunaannya untuk membangun model BERT. Anda juga akan belajar tentang berbagai tugas yang dapat memanfaatkan BERT, seperti klasifikasi teks, menjawab pertanyaan, dan inferensi natural language. Kursus ini diperkirakan memakan waktu sekitar 45 menit untuk menyelesaikannya.

Pelajari lebih lanjut

Dalam kursus ini Anda akan diperkenalkan dengan mekanisme atensi, yakni teknik efektif yang membuat jaringan neural berfokus pada bagian tertentu urutan input. Anda akan mempelajari cara kerja atensi, cara penggunaannya untuk meningkatkan performa berbagai tugas machine learning, termasuk terjemahan mesin, peringkasan teks, dan menjawab pertanyaan.

Pelajari lebih lanjut

Kursus ini memperkenalkan model difusi, yaitu kelompok model machine learning yang belakangan ini menunjukkan potensinya dalam ranah pembuatan gambar. Model difusi mengambil inspirasi dari fisika, khususnya termodinamika. Dalam beberapa tahun terakhir, model difusi menjadi populer baik di dunia industri maupun penelitian. Model difusi mendasari banyak alat dan model pembuatan gambar yang canggih di Google Cloud. Kursus ini memperkenalkan Anda pada teori yang melandasi model difusi dan cara melatih serta men-deploy-nya di Vertex AI.

Pelajari lebih lanjut

Selesaikan badge keahlian tingkat menengah Mengelola Model Data di Looker untuk menunjukkan keterampilan dalam hal berikut: mempertahankan performa project LookML; memanfaatkan SQL runner untuk validasi data; menerapkan praktik terbaik LookML; mengoptimalkan kueri dan laporan untuk performa; serta menerapkan tabel turunan persisten dan kebijakan penyimpanan ke dalam cache.

Pelajari lebih lanjut

Di kursus ini, Anda akan mendapatkan pengalaman langsung dalam menerapkan konsep LookML lanjutan di Looker. Anda akan mempelajari cara menggunakan Liquid untuk menyesuaikan dan membuat dimensi serta ukuran dinamis, membuat tabel turunan SQL dinamis dan tabel turunan native yang disesuaikan, serta menggunakan ekstensi untuk memodularisasi kode LookML Anda.

Pelajari lebih lanjut

Selesaikan badge keahlian tingkat menengah Membuat Model ML dengan BigQuery ML untuk menunjukkan keterampilan dalam hal berikut: membuat dan mengevaluasi model machine learning dengan BigQuery ML untuk membuat prediksi data.

Pelajari lebih lanjut

Learn how to use Gemini Notebook to create a personalized study guide for the Professional Cloud Network Engineer certification exam. You'll review Gemini Notebook features, add sources to your notebook, and learn how to personalize your Gemini Notebook experience to study for the exam.

Pelajari lebih lanjut

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.

Pelajari lebih lanjut

Selesaikan badge keahlian tingkat menengah Rekayasa Data untuk Pembuatan Model Prediktif dengan BigQuery ML untuk menunjukkan keterampilan Anda dalam hal berikut: membangun pipeline transformasi data ke BigQuery dengan Dataprep by Trifacta; menggunakan Cloud Storage, Dataflow, dan BigQuery untuk membangun alur kerja ekstrak, transformasi, dan pemuatan (ETL); serta membangun model machine learning menggunakan BigQuery ML.

Pelajari lebih lanjut

Selesaikan badge keahlian tingkat menengah Membangun Data Warehouse dengan BigQuery untuk menunjukkan keterampilan Anda dalam hal berikut: menggabungkan data untuk membuat tabel baru, memecahkan masalah penggabungan, menambahkan data dengan union, membuat tabel berpartisi tanggal, serta menggunakan JSON, array, dan struct di BigQuery.

Pelajari lebih lanjut

Selesaikan badge keahlian pengantar Menyiapkan Data untuk ML API di Google Cloud untuk menunjukkan keterampilan Anda dalam hal berikut: menghapus data dengan Dataprep by Trifacta, menjalankan pipeline data di Dataflow, membuat cluster dan menjalankan tugas Apache Spark di Managed Service for Apache Spark, dan memanggil beberapa ML API, termasuk Cloud Natural Language API, Google Cloud Speech-to-Text API, dan Video Intelligence API.

Pelajari lebih lanjut

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.

Pelajari lebih lanjut

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.

Pelajari lebih lanjut

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.

Pelajari lebih lanjut

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.

Pelajari lebih lanjut

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.

Pelajari lebih lanjut