Yat Shun Lee
회원 가입일: 2023
실버 리그
10875포인트
회원 가입일: 2023
이 과정에서는 TensorFlow 및 Keras를 사용한 ML 모델 빌드, ML 모델의 정확성 개선, 사용 사례 확장을 위한 ML 모델 작성에 대해 다룹니다.
중급 Gemini 및 Streamlit으로 생성형 AI 앱 개발하기 기술 배지 과정을 완료하여 텍스트 생성, Python SDK와 Gemini API를 사용한 함수 호출 적용, Cloud Run으로 Streamlit 애플리케이션 배포 작업과 관련된 기술 역량을 입증하세요. 텍스트 생성을 위해 Gemini에 프롬프트를 입력하는 여러 가지 방법과 Cloud Shell을 사용해 Streamlit 애플리케이션을 테스트하고 반복하는 방법, Streamlit 애플리케이션을 Cloud Run에 배포된 Docker 컨테이너로 패키징하는 방법을 배울 수 있습니다.
이 과정에서는 Google Cloud에서 프로덕션 ML 시스템 배포, 평가, 모니터링, 운영을 위한 MLOps 도구와 권장사항을 소개합니다. MLOps는 프로덕션에서 ML 시스템을 배포, 테스트, 모니터링, 자동화하는 방법론입니다. 머신러닝 엔지니어링 전문가들은 배포된 모델의 지속적인 개선과 평가를 위해 도구를 사용합니다. 이들이 협력하거나 때론 그 역할을 하는 데이터 과학자는 고성능 모델을 빠르고 정밀하게 배포할 수 있도록 모델을 개발합니다.
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.
이 과정에서는 먼저 데이터에 관해 논의하면서 데이터 품질을 개선하고 탐색적 데이터 분석을 수행하는 방법을 알아봅니다. Vertex AI AutoML과 코드를 한 줄도 작성하지 않고 ML 모델을 빌드하고, 학습시키고, 배포하는 방법을 설명합니다. 학습자는 Big Query ML의 이점을 이해할 수 있습니다. 그런 다음, 머신러닝(ML) 모델 최적화 방법과 일반화 및 샘플링으로 커스텀 학습용 ML 모델 품질을 평가하는 방법을 다룹니다.
이 과정에서는 생성형 AI 프로젝트와 예측형 AI 프로젝트를 모두 개발하는 데 중점을 두고 Google Cloud의 AI 및 머신러닝(ML) 기능을 소개합니다. 데이터에서 AI로 이어지는 수명 주기 전반에 걸쳐 사용할 수 있는 다양한 기술, 제품, 도구를 살펴보고, 데이터 과학자, AI 개발자, ML 엔지니어가 대화형 실습을 통해 전문성을 강화할 수 있도록 지원합니다.
이 초급 과정에서는 Google Cloud의 기본 도구 및 서비스를 직접 사용해 보는 실무형 실습을 진행합니다. 선택사항으로 제공되는 동영상에서는 실습에서 다룬 개념을 자세히 살펴보고 복습합니다. Google Cloud 필수 정보는 Google Cloud 학습자에게 추천되는 첫 번째 과정입니다. 클라우드에 대한 사전 지식이 거의 없거나 전혀 없더라도 첫 Google Cloud 프로젝트에 적용할 수 있는 실무 경험을 쌓을 수 있습니다. Cloud Shell 명령어 작성, 첫 번째 가상 머신 배포, Kubernetes Engine에서의 애플리케이션 실행, 부하 분산 등 Google Cloud 필수 정보에서는 플랫폼의 기본 기능을 소개합니다.