Rejoindre Se connecter

Ana Teresa Caldas Araripe

Date d'abonnement : 2026

Ligue d'Argent

636 points
Partager des données avec Google Data Cloud Earned sept. 4, 2026 EDT
Créer un maillage de données avec Knowledge Catalog Earned août 31, 2026 EDT
Préparer des données pour les API de ML sur Google Cloud Earned août 2, 2026 EDT
Créer votre premier agent avec Agent Development Kit (ADK) Earned juil. 29, 2026 EDT
Déployer des architectures multi-agents Earned juil. 29, 2026 EDT
Analyse de flux dans BigQuery Earned juil. 15, 2026 EDT
Dégager des insights des données BigQuery Earned juil. 10, 2026 EDT
Créer un entrepôt de données avec BigQuery Earned juil. 3, 2026 EDT

Obtenez un badge de compétence en suivant le cours Partager des données avec Google Data Cloud. Vous pourrez ainsi acquérir une expérience pratique concernant les partenaires de partage de données Google Cloud, qui disposent d'ensembles de données propriétaires que les clients peuvent utiliser pour effectuer des analyses de données. Les clients s'abonnent à ces données et les interrogent dans leur propre plate-forme. Ils les enrichissent ensuite avec leurs propres ensembles de données et utilisent leurs outils de visualisation pour les tableaux de bord destinés à leur clientèle.

En savoir plus

Terminez le cours d'introduction Créer un maillage de données avec Knowledge Catalog pour recevoir un badge démontrant vos compétences dans les domaines suivants : la création d'un maillage de données avec Knowledge Catalog pour faciliter la sécurité, la gouvernance et la découverte des données sur Google Cloud. Cela comprend l'ajout de tags à des éléments, l'attribution de rôles IAM et l'évaluation de la qualité des données dans Knowledge Catalog.

En savoir plus

Terminez le cours d'introduction Préparer des données pour les API de ML sur Google Cloud pour recevoir un badge démontrant vos compétences dans les domaines suivants : le nettoyage des données avec Dataprep by Trifacta, l'exécution de pipelines de données dans Dataflow, la création de clusters et l'exécution de jobs Apache Spark dans Managed Service for Apache Spark, et l'appel d'API de ML comme l'API Cloud Natural Language, l'API Google Cloud Speech-to-Text et l'API Video Intelligence.

En savoir plus

Mettez en pratique vos connaissances sur les agents en créant, configurant et exécutant votre premier agent IA à l'aide d'Agent Development Kit (ADK) de Google. Dans ce cours pratique, vous configurerez un environnement de développement ADK complet, créerez des agents avec du code Python et une configuration YAML, et les exécuterez sur plusieurs interfaces. Vous découvrirez également les paramètres essentiels qui définissent le comportement de l'agent, en appliquant dans du code fonctionnel ce que vous avez appris dans le cours 1. Explorez d'autres contenus du programme Gemini Enterprise Agent Ready (GEAR).

En savoir plus

Terminez le cours avancé Déployer des architectures multi-agents pour recevoir un badge démontrant les compétences suivantes : créer des systèmes multi-agents avec ADK, connecter des agents avec le protocole A2A (Agent-to-Agent), intégrer des outils externes à l'aide du protocole MCP (Model Context Protocol) et déployer une solution multi-agents complète sur Agent Engine.

En savoir plus

Obtenez un badge de compétence en suivant le cours Analyse de flux dans BigQuery, où vous utiliserez Pub/Sub, Dataflow et BigQuery ensemble pour diffuser des données afin de les analyser.

En savoir plus

Terminez le cours d'introduction Dégager des insights des données BigQuery pour recevoir un badge démontrant vos compétences dans les domaines suivants : l'écriture de requêtes SQL, l'interrogation de tables publiques, le chargement d'exemples de données dans BigQuery, la résolution d'erreurs de syntaxe courantes avec l'outil de validation des requêtes de BigQuery et la création de rapports dans Data Studio en se connectant aux données BigQuery.

En savoir plus

Terminez le cours intermédiaire Créer un entrepôt de données avec BigQuery pour recevoir un badge démontrant vos compétences dans les domaines suivants : la jointure de données pour créer des tables, la résolution des problèmes liés aux jointures, l'ajout de données avec des unions, la création de tables partitionnées par date, et l'utilisation d'objets JSON, ARRAY et STRUCT dans BigQuery.

En savoir plus