Teilnehmen Anmelden

Radu Mihai

Mitglied seit 2023

Generative KI kennenlernen – Agent Platform Earned Jul 5, 2025 EDT
Einführung in generative KI Earned Jun 30, 2025 EDT
Machine Learning Operations (MLOps): Getting Started Earned Jun 30, 2025 EDT
Production Machine Learning Systems Earned Jun 29, 2025 EDT
ML-Lösungen mit Vertex AI erstellen und bereitstellen Earned Mai 19, 2025 EDT
Daten für die Vorhersagemodellierung mit BigQuery ML vorbereiten Earned Mai 4, 2025 EDT
Bilder mit TensorFlow in Google Cloud klassifizieren Earned Apr 19, 2025 EDT
BigQuery für Machine Learning Earned Apr 9, 2025 EDT
Daten für ML-APIs in Google Cloud vorbereiten Earned Apr 3, 2025 EDT
Einführung in KI und maschinelles Lernen in Google Cloud Earned Mär 31, 2025 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud Earned Jan 2, 2024 EST
Build Batch Data Pipelines on Google Cloud Earned Dez 26, 2023 EST
Build Data Lakes and Data Warehouses on Google Cloud Earned Nov 6, 2023 EST
[DEPRECATED] Google Cloud Big Data and Machine Learning Fundamentals Earned Okt 2, 2023 EDT

Der Kurs „Generative KI kennenlernen – Agent Platform“ umfasst eine Reihe von Labs zur Verwendung von generativer KI in Google Cloud. In den Labs lernen Sie, wie Sie die Gemini-Modelle in der Agent Platform verwenden. Sie erfahren, wie Sie Prompts erstellen, Best Practices anwenden und die Modelle für Ideenfindung, Textklassifizierung, Textextraktion, Textzusammenfassung und mehr nutzen. Außerdem zeigen wir Ihnen, wie Sie ein Foundation Model durch benutzerdefiniertes Training in der Agent Platform abstimmen und auf einem Endpunkt in der Agent Platform bereitstellen.

Weitere Informationen

In diesem Einführungskurs im Microlearning-Format wird erklärt, was generative KI ist, wie sie genutzt wird und wie sie sich von herkömmlichen Methoden für Machine Learning unterscheidet. Darüber hinaus werden Tools von Google behandelt, mit denen Sie eigene generative KI-Anwendungen entwickeln können.

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 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

Mit dem Skill-Logo zum Kurs ML-Lösungen mit Vertex AI erstellen und bereitstellen weisen Sie fortgeschrittene Kenntnisse nach. Sie lernen in diesem Kurs, wie Sie die Vertex AI-Plattform von Google Cloud, AutoML und benutzerdefinierte Trainingsdienste nutzen, um Machine-Learning-Modelle zu trainieren, zu bewerten, abzustimmen, zu erklären und bereitzustellen. Dieser Kurs richtet sich an professionelle Data Scientists und Machine Learning Engineers. Ein Skill-Logo ist ein exklusives digitales Abzeichen, das von Google Cloud ausgestellt wird und Ihre Kenntnisse über Produkte und Dienste von Google Cloud belegt. In diesem Zusammenhang wird auch die Fähigkeit bewertet, Ihr Wissen in einer interaktiven praxisnahen Umgebung anzuwenden. Absolvieren Sie diese Aufgabenreihe und die Challenge-Lab-Prüfung, um ein digitales Abzeichen zu erhalten, das Sie in Ihrem Netzwerk posten können.

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

Mit dem Skill-Logo für den Kurs Bilder mit TensorFlow in Google Cloud klassifizieren erwerben Sie Kenntnisse in der Verwendung von TensorFlow und Vertex AI zum Erstellen und Trainieren von Machine-Learning-Modellen. Sie arbeiten hauptsächlich mit nutzerverwalteten Vertex AI Workbench-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

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

In diesem Kurs lernen Sie die KI- und ML-Funktionen von Google Cloud kennen. Der Schwerpunkt liegt dabei auf der Entwicklung von Projekten mit generativer und prädiktiver KI. Dabei werden die verschiedenen Technologien, Produkte und Tools vorgestellt, die während des gesamten Data-to-AI-Lebenszyklus verfügbar sind. Data Scientists, Fachkräfte für KI-Entwicklung und ML-Engineers können ihr Fachwissen durch interaktive Übungen erweitern.

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

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.

Weitere Informationen

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.

Weitere Informationen

This course introduces the Google Cloud big data and machine learning products and services that support the data-to-AI lifecycle. It explores the processes, challenges, and benefits of building a big data pipeline and machine learning models with Vertex AI on Google Cloud.

Weitere Informationen