Dołącz Zaloguj się

Mahesh P

Jest członkiem od 2023

Liga srebrna

13500 pkt.
Generative AI Fundamentals - Polski Earned gru 21, 2023 EST
Introduction to Responsible AI - Polski Earned gru 21, 2023 EST
Introduction to Generative AI - Polski Earned gru 20, 2023 EST
Introduction to Large Language Models - Polski Earned gru 20, 2023 EST
Launching into Machine Learning Earned gru 20, 2023 EST
Machine Learning Operations (MLOps): Getting Started Earned gru 13, 2023 EST
Przygotowywanie danych do użycia z interfejsami ML w Google Cloud Earned gru 8, 2023 EST
Computer Vision Fundamentals with Google Cloud Earned lis 28, 2023 EST

Aby zdobyć odznakę umiejętności, ukończ szkolenia Introduction to Generative AI, Introduction to Large Language Models i Introduction to Responsible AI. Zdaj test i pokaż, że rozumiesz podstawowe koncepcje związane z generatywną AI. Odznaka umiejętności to cyfrowa odznaka wydawana przez Google Cloud, która potwierdza Twoją wiedzę o produktach i usługach Google Cloud. Ustaw swój profil jako publiczny i dodaj odznakę umiejętności do profilu w mediach społecznościowych, aby pochwalić się swoim osiągnięciem.

Więcej informacji

Celem tego szybkiego szkolenia dla początkujących jest wyjaśnienie, czym jest odpowiedzialna AI i dlaczego jest ważna, oraz przedstawienie, jak Google wprowadza ją w swoich usługach. Szkolenie zawiera także wprowadzenie do siedmiu zasad Google dotyczących sztucznej inteligencji.

Więcej informacji

Celem tego szybkiego szkolenia dla początkujących jest wyjaśnienie, czym jest generatywna AI oraz jakie są jej zastosowania. Szkolenie przedstawia również różnice pomiędzy tą technologią a tradycyjnymi systemami uczącymi się, a także narzędzia Google, które pomogą Ci tworzyć własne aplikacje korzystające z generatywnej AI.

Więcej informacji

To szybkie szkolenie dla początkujących wyjaśnia, czym są duże modele językowe (LLM) oraz jakie są ich zastosowania. Przedstawia również możliwości zwiększenia ich wydajności przez dostrajanie przy użyciu promptów oraz narzędzia Google, które pomogą Ci tworzyć własne aplikacje korzystające z generatywnej AI.

Więcej informacji

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.

Więcej informacji

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.

Więcej informacji

Ukończ szkolenie wprowadzające Przygotowywanie danych do użycia z interfejsami ML w Google Cloud, aby zdobyć odznakę potwierdzającą zdobycie następujących umiejętności: czyszczenie danych przy użyciu usługi Dataprep firmy Trifacta, uruchamianie potoków danych w Dataflow, tworzenie klastrów i uruchamianie zadań Apache Spark w Managed Service for Apache Spark, a także wywoływanie interfejsów API dotyczących uczenia maszynowego, w tym Cloud Natural Language API, Google Cloud Speech-to-Text API oraz Video Intelligence API.

Więcej informacji

This course describes different types of computer vision use cases and then highlights different machine learning strategies for solving these use cases. The strategies vary from experimenting with pre-built ML models through pre-built ML APIs and AutoML Vision to building custom image classifiers using linear models, deep neural network (DNN) models or convolutional neural network (CNN) models. The course shows how to improve a model's accuracy with augmentation, feature extraction, and fine-tuning hyperparameters while trying to avoid overfitting the data. The course also looks at practical issues that arise, for example, when one doesn't have enough data and how to incorporate the latest research findings into different models. Learners will get hands-on practice building and optimizing their own image classification models on a variety of public datasets in the labs they will work on.

Więcej informacji