Membro dal giorno 2022
API Design and Fundamentals with the Apigee API Platform
Earned giu 23, 2023 EDT
Google Cloud Fundamentals: Core Infrastructure - Italiano
Earned mag 27, 2023 EDT
[DEPRECATED] Feature engineering
Earned ago 31, 2022 EDT
Launching into Machine Learning - Italiano
Earned ago 8, 2022 EDT
In this course, you learn how to design APIs, and how to use OpenAPI specifications to document them. You learn about the API lifecycle, and how the Apigee API platform helps you manage all aspects of the lifecycle. You learn how APIs can be designed using API proxies, and how APIs are packaged as API products to be used by app developers. Through a combination of lessons, hands-on labs, and supplemental materials, you will learn how to design, build, secure, deploy, and manage API solutions using Google Cloud's Apigee API Platform. This is the first course of the Developing APIs with the Apigee API Platform series. After completing this course, enroll in the API Security with the Apigee API Platform course.
Google Cloud Fundamentals: Core Infrastructure introduce concetti e terminologia importanti per lavorare con Google Cloud. Attraverso video e lab pratici, questo corso presenta e confronta molti dei servizi di computing e archiviazione di Google Cloud, insieme a importanti strumenti di gestione delle risorse e dei criteri.
Questo corso illustra i vantaggi dell'utilizzo di Vertex AI Feature Store, come migliorare l'accuratezza dei modelli di ML e come trovare le colonne di dati che forniscono le caratteristiche più utili. Il corso include inoltre contenuti e lab sul feature engineering utilizzando BigQuery ML, Keras e TensorFlow.
Il corso inizia con una discussione sui dati: come migliorare la qualità dei dati ed eseguire analisi esplorative dei dati. Descriveremo Vertex AI AutoML e come creare, addestrare ed eseguire il deployment di un modello di ML senza scrivere una sola riga di codice. Comprenderai i vantaggi di Big Query ML. Discuteremo quindi di come ottimizzare un modello di machine learning (ML) e di come la generalizzazione e il campionamento possano aiutare a valutare la qualità dei modelli di ML per l'addestramento personalizzato.