Dino Kawade
Mitglied seit 2025
Mitglied seit 2025
In diesem Kurs werden die wichtigsten Sicherheitsfunktionen von Model Armor vorgestellt. Außerdem lernen Sie, wie Sie den Dienst nutzen können. Sie erfahren mehr über die mit LLMs verbundenen Sicherheitsrisiken und wie Model Armor Ihre KI-Anwendungen schützt.
Künstliche Intelligenz (KI) bietet revolutionäre Möglichkeiten, geht aber auch mit neuen Sicherheitsherausforderungen einher. In diesem Kurs lernen Führungskräfte im Bereich Sicherheit und Datenschutz Strategien für den sicheren Umgang mit KI in ihren Unternehmen kennen. Es wird ein Framework für das proaktive Erkennen und Mindern KI-spezifischer Risiken, den Schutz sensibler Daten, das Einhalten rechtlicher Vorgaben und den Aufbau einer robusten KI-Infrastruktur vorgestellt. Anhand von Anwendungsfällen aus vier verschiedenen Branchen wird gezeigt, wie sich diese Strategien auf reale Szenarien anwenden lassen.
In diesem Kurs werden wichtige Themen zu Datenschutz und Sicherheit beim Einsatz von künstlicher Intelligenz vorgestellt. Dabei lernen Sie, wie Sie mit Google Cloud-Produkten und Open-Source-Tools empfohlene Vorgehensweisen im Zusammenhang mit Datenschutz und Sicherheit beim Einsatz von KI umsetzen.
In diesem Kurs werden Konzepte in Bezug auf die Interpretierbarkeit und Transparenz von künstlicher Intelligenz vorgestellt. Sie erfahren, warum die Transparenz der KI für Entwickler-Teams wichtig ist. Dabei lernen Sie praktische Techniken und Tools kennen, mit denen Sie sowohl die Interpretierbarkeit als auch die Transparenz von Daten und KI-Modellen optimieren können.
In diesem Kurs werden Konzepte für die verantwortungsbewusste Anwendung von KI und KI-Grundsätze vorgestellt. Es werden Techniken behandelt, wie Sie Fairness und Verzerrung (Bias) in der Praxis erkennen sowie Verzerrung in KI- und ML-Anwendungen reduzieren können. Dabei lernen Sie, wie Sie mit Google Cloud-Produkten und Open-Source-Tools Best Practices für eine verantwortungsbewusste Anwendung von KI umsetzen.
Mit dem Skill-Logo zum Kurs Rich-Dokumente mit Gemini Multimodal und Multimodal RAG untersuchen weisen Sie fortgeschrittene Kenntnisse in folgenden Bereichen nach: Verwenden von multimodalen Prompts, um Informationen aus Text- und Bilddaten zu gewinnen; Erstellen einer Videobeschreibung und Abrufen von zusätzlichen, über das Video hinausgehenden Informationen unter Verwendung von Multimodalität mit Gemini; Erstellen von Metadaten von Dokumenten mit Text und Bildern; Ermitteln aller relevanten Textabschnitte und Drucken von Zitationen durch Nutzung von multimodaler Retrieval-Augmented Generation (RAG) mit Gemini.
In diesem Kurs lernen Sie KI-basierte Suchtechnologien, Tools und Anwendungen kennen. Er umfasst folgende Themen: die semantische Suche mithilfe von Vektoreinbettungen, die Hybridsuche, bei der semantische und stichwortbezogene Ansätze kombiniert werden, und Retrieval-Augmented Generation (RAG), die KI-Halluzinationen durch einen fundierten KI-Agenten minimiert. Sie sammeln praktische Erfahrungen mit der Vektorsuche in Vertex AI zum Entwickeln einer intelligenten Suchmaschine.
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.
Sichern Sie sich ein Skill-Logo, indem Sie den Kurs Geschütztes Google Cloud-Netzwerk erstellen abschließen. Dabei lernen Sie verschiedene netzwerkbezogene Ressourcen kennen, mit denen Sie Ihre Anwendungen in Google Cloud erstellen, skalieren und schützen können.
Erhalten Sie ein Skill-Logo, indem Sie den Kurs „Umgebung für die Anwendungsentwicklung in Google Cloud einrichten“ abschließen. Dabei lernen Sie, wie Sie eine speicherorientierte Cloud-Infrastruktur mithilfe der grundlegenden Funktionen der folgenden Technologien erstellen und verbinden: Cloud Storage, Identity and Access Management, Cloud Functions und Pub/Sub.
Mit dem Skill-Logo zum Kurs Cloud Load Balancing in der Compute Engine implementieren weisen Sie Kenntnisse in folgenden Bereichen nach: virtuelle Maschinen in der Compute Engine erstellen und bereitstellen und Netzwerk- und Application Load Balancer konfigurieren.
Dieser Kurs bietet eine Einführung in Vertex AI Studio, ein Tool für die Interaktion mit generativen KI-Modellen sowie das Prototyping von Geschäftsideen und ihre Umsetzung. Anhand eines eindrucksvollen Anwendungsfalls, ansprechender Lektionen und einer praktischen Übung lernen Sie den Lebenszyklus vom Prompt bis zum Produkt kennen und erfahren, wie Sie Vertex AI Studio für multimodale Gemini-Anwendungen, Prompt-Design, Prompt Engineering und Modellabstimmung einsetzen können. Ziel ist es, Ihnen aufzuzeigen, wie Sie das Potenzial von generativer KI in Ihren Projekten mit Vertex AI Studio ausschöpfen.
In diesem Kurs erfahren Sie, wie Sie mithilfe von Deep Learning ein Modell zur Bilduntertitelung erstellen. Sie lernen die verschiedenen Komponenten eines solchen Modells wie den Encoder und Decoder und die Schritte zum Trainieren und Bewerten des Modells kennen. Nach Abschluss dieses Kurses haben Sie folgende Kompetenzen erworben: Erstellen eigener Modelle zur Bilduntertitelung und Verwenden der Modelle zum Generieren von Untertiteln
Dieser Kurs bietet eine Einführung in die Transformer-Architektur und das BERT-Modell (Bidirectional Encoder Representations from Transformers). Sie lernen die Hauptkomponenten der Transformer-Architektur wie den Self-Attention-Mechanismus kennen und erfahren, wie Sie diesen zum Erstellen des BERT-Modells verwenden. Darüber hinaus werden verschiedene Aufgaben behandelt, für die BERT genutzt werden kann, wie etwa Textklassifizierung, Question Answering und Natural-Language-Inferenz. Der gesamte Kurs dauert ungefähr 45 Minuten.
Dieser Kurs vermittelt Ihnen eine Zusammenfassung der Encoder-Decoder-Architektur, einer leistungsstarken und gängigen Architektur, die bei Sequenz-zu-Sequenz-Tasks wie maschinellen Übersetzungen, Textzusammenfassungen und dem Question Answering eingesetzt wird. Sie lernen die Hauptkomponenten der Encoder-Decoder-Architektur kennen und erfahren, wie Sie diese Modelle trainieren und bereitstellen können. Im dazugehörigen Lab mit Schritt-für-Schritt-Anleitung können Sie in TensorFlow von Grund auf einen Code für eine einfache Implementierung einer Encoder-Decoder-Architektur erstellen, die zum Schreiben von Gedichten dient.
In diesem Kurs wird der Aufmerksamkeitsmechanismus vorgestellt. Dies ist ein leistungsstarkes Verfahren, das die Fokussierung neuronaler Netzwerke auf bestimmte Abschnitte einer Eingabesequenz ermöglicht. Sie erfahren, wie der Aufmerksamkeitsmechanismus funktioniert und wie Sie damit die Leistung verschiedener Machine Learning-Tasks wie maschinelle Übersetzungen, Zusammenfassungen von Texten und Question Answering verbessern können.
In diesem Kurs werden Diffusion-Modelle vorgestellt, eine Gruppe verschiedener Machine Learning-Modelle, die kürzlich einige vielversprechende Fortschritte im Bereich Bildgenerierung gemacht haben. Diffusion-Modelle basieren auf physikalischen Konzepten der Thermodynamik und sind in den letzten Jahren in der Forschung und Industrie sehr beliebt geworden. Dabei stützen sich Diffusion-Modelle auf viele innovative Modelle und Tools zur Bildgenerierung in Google Cloud. In diesem Kurs werden Ihnen die theoretischen Grundlagen der Diffusion-Modelle erläutert und wie Sie diese Modelle über Vertex AI trainieren und bereitstellen können.
Die Kursreihe „Einführung in das Cloud-Computing von Google“ richtet sich an Personen mit geringen oder gar keinen Vorkenntnissen oder Erfahrungen im Bereich Cloud Computing. Sie bietet einen Überblick über Cloud-Grundlagen, Big Data, maschinelles Lernen und die Rolle von Google Cloud in diesem Bereich. Am Ende der Kursreihe können Teilnehmende diese Konzepte erläutern und einige praktische Fähigkeiten demonstrieren. Die Kurse sollten in folgender Reihenfolge absolviert werden: 1. Einführung in das Cloud-Computing von Google: Cloud-Computing-Grundlagen 2. Einführung in das Cloud-Computing von Google: Infrastruktur in Google Cloud 3. Einführung in das Cloud-Computing von Google: Netzwerke und Sicherheit in Google Cloud 4. Einführung in das Cloud-Computing von Google: Daten, ML und KI in Google Cloud Im letzten Kurs der Reihe geht es um verwaltete Big-Data-Dienste, maschinelles Lernen und dessen Vorzüge sowie die Möglichkeit, Ihre Google Cloud-Kompetenzen durch den Erwerb von Skill-L…
Da die Nutzung von künstlicher Intelligenz und Machine Learning in Unternehmen weiter zunimmt, wird auch deren verantwortungsbewusste Entwicklung ein immer wichtigeres Thema. Dabei ist es für viele schwierig, die Überlegungen zur verantwortungsbewussten Anwendung von KI in die Praxis umzusetzen. Wenn Sie wissen möchten, wie sich die verantwortungsbewusste Anwendung von KI in die Praxis umsetzen, also operationalisieren lässt, finden Sie in diesem Kurs entsprechende Hilfestellungen. In diesem Kurs erfahren Sie, wie dies mit Google Cloud heutzutage möglich ist, inklusive entsprechender Best Practices und Erkenntnisse. Es wird gezeigt, welches Framework Google Cloud bietet, um einen eigenen Ansatz für die verantwortungsbewusste Anwendung von KI zu entwickeln.
In diesem Einführungskurs im Microlearning-Format wird erklärt, was verantwortungsbewusste Anwendung von KI bedeutet, warum sie wichtig ist und wie Google dies in seinen Produkten berücksichtigt. Darüber hinaus werden die 7 KI-Grundsätze von Google behandelt.
In diesem Einführungskurs im Microlearning-Format wird untersucht, was Large Language Models (LLM) sind, für welche Anwendungsfälle sie genutzt werden können und wie die LLM-Leistung durch Feinabstimmung von Prompts gesteigert werden kann. Darüber hinaus werden Tools von Google behandelt, die das Entwickeln eigener Anwendungen basierend auf generativer KI ermöglichen.
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.
Die Kurse „Einführung in das Cloud-Computing von Google“ richten sich an Personen mit wenigen bis gar keinen Vorkenntnissen oder Erfahrungen im Bereich Cloud-Computing Sie bieten einen detaillierten Überblick über Cloud-Grundlagen, Big Data, maschinelles Lernen und die Rolle von Google Cloud in diesem Bereich. Am Ende der Kursreihe können Teilnehmende diese Konzepte erläutern und einige praktische Fähigkeiten demonstrieren. Die Kurse sollten in folgender Reihenfolge absolviert werden: 1. Einführung in das Cloud-Computing von Google: Cloud-Computing-Grundlagen 2. Einführung in das Cloud-Computing von Google: Infrastruktur in Google Cloud 3. Einführung in das Cloud-Computing von Google: Netzwerke und Sicherheit in Google Cloud 4. Einführung in das Cloud-Computing von Google: Daten, ML und KI in Google Cloud Dieser dritte Kurs behandelt Tools zur Cloud-Automatisierung- und -Verwaltung sowie den Aufbau sicherer Netzwerke.
Learn how to use Gemini Notebook to create a personalized study guide for the Professional Machine Learning Engineer (PMLE) certification exam. You'll review Gemini Notebook features, create a notebook, and use the study guide to practice for a certification exam.
Die Kursreihe „Einführung in das Cloud-Computing von Google“ richtet sich an Personen mit wenigen bis gar keinen Vorkenntnissen oder Erfahrungen im Bereich Cloud-Computing. Sie bietet einen detaillierten Überblick über Cloud-Grundlagen, Big Data, maschinelles Lernen und die Rolle von Google Cloud in diesem Bereich. Am Ende der Kursreihe können Teilnehmende diese Konzepte erläutern und einige praktische Fähigkeiten demonstrieren. Die Kurse sollten in folgender Reihenfolge absolviert werden: 1. Einführung in das Cloud-Computing von Google: Cloud-Computing-Grundlagen 2. Einführung in das Cloud-Computing von Google: Infrastruktur in Google Cloud 3. Einführung in das Cloud-Computing von Google: Netzwerke und Sicherheit in Google Cloud 4. Einführung in das Cloud-Computing von Google: Daten, ML und KI in Google Cloud
Dieser Kurs gibt Machine-Learning-Anwendern alle grundlegenden Tools, Techniken und Best Practices zur Bewertung von generativen und prädiktiven KI-Modellen an die Hand. Die Modellbewertung ist ein wichtiger Schritt, bei dem geprüft wird, ob ML-Systeme in der Produktion zuverlässige, genaue und leistungsstarke Ergebnisse erzielen. Die Teilnehmer erwerben fundierte Kenntnisse über verschiedene Bewertungsmesswerte und -methoden und lernen, sie auf unterschiedliche Modelltypen und Aufgaben anzuwenden. Im Kurs wird schwerpunktmäßig auf die besonderen Herausforderungen generativer KI-Modelle eingegangen und es werden Strategien vorgestellt, wie sich diese effektiv bewältigen lassen. Die Teilnehmer lernen auf der Plattform Vertex AI von Google Cloud, robuste Bewertungsprozesse zur Auswahl, Optimierung und kontinuierlichen Überwachung des Modells zu implementieren.
Dieser Kurs vermittelt Ihnen das Wissen und die nötigen Tools, um die speziellen Herausforderungen zu erkennen, mit denen MLOps-Teams bei der Bereitstellung und Verwaltung von Modellen basierend auf generativer KI konfrontiert sind. Sie erfahren, wie KI-Teams durch Vertex AI dabei unterstützt werden, MLOps-Prozesse zu optimieren und mit Projekten erfolgreich zu sein, in denen generative KI zum Einsatz kommt.
Die Kursreihe „Einführung in das Cloud-Computing von Google“ richtet sich an Personen mit geringen oder gar keinen Vorkenntnissen oder Erfahrungen im Bereich Cloud Computing. Sie bietet einen detaillierten Überblick über Cloud-Grundlagen, Big Data, maschinelles Lernen und die Rolle von Google Cloud in diesem Bereich. Am Ende der Kursreihe können Teilnehmende diese Konzepte erläutern und einige praktische Fähigkeiten demonstrieren. Die Kurse sollten in folgender Reihenfolge absolviert werden: 1. Einführung in das Cloud-Computing von Google: Cloud-Computing-Grundlagen 2. Einführung in das Cloud-Computing von Google: Infrastruktur in Google Cloud 3. Einführung in das Cloud-Computing von Google: Netzwerke und Sicherheit in Google Cloud 4. Einführung in das Cloud-Computing von Google: Daten, ML und KI in Google Cloud Diese Kursreihe bietet einen Überblick über Cloud-Computing, verschiedene Nutzungsmöglichkeiten von Google Cloud und verschiedene Computing-Optionen.
In diesem Kurs lernen Sie Data Engineering on Google Cloud sowie die Rollen und Verantwortlichkeiten von Data Engineers kennen und sehen, wie diese mit den Angeboten von Google Cloud zusammenhängen. Außerdem erfahren Sie, wie Sie Herausforderungen im Bereich Data Engineering meistern können.
Learn how to use Gemini Notebook to create a personalized study guide for the Professional Data Engineer certification exam. You'll review Gemini Notebook features, create a notebook in Gemini Notebook, and learn how to use a study guide to practice for a certification exam.
Dies ist der dritte von fünf Kursen des Google Cloud Data Analytics Certificate. In diesem Kurs erhalten Sie zuerst einen Überblick über den Datenlebenszyklus von der Datenerhebung bis zu den daraus gewonnenen Erkenntnissen. Anschließend lernen Sie, wie Sie mit SQL Rohdaten in ein nutzbares Format umwandeln. Als Nächstes erfahren Sie, wie Sie mit einer Datenpipeline große Datenmengen transformieren. Zum Schluss lernen Sie, wie Sie Transformationsstrategien auf echte Datasets anwenden, um geschäftliche Anforderungen zu erfüllen.
Dies ist der zweite von fünf Kursen des Google Cloud Data Analytics Certificate. In diesem Kurs wird dargelegt, wie Daten strukturiert und organisiert werden. Sie lernen in praktischen Übungen die Data-Lakehouse-Architektur und Cloud-Komponenten wie BigQuery, Google Cloud Storage und DataProc kennen, um große Datasets effizient zu speichern, zu analysieren und zu verarbeiten.
Dies ist der erste von fünf Kursen des Google Cloud Data Analytics Certificate. In diesem Kurs definieren Sie den Bereich der Cloud-Datenanalyse und beschreiben die Rollen und Verantwortlichkeiten von Cloud Data Analysts in Bezug auf Datenakquisition, ‑speicherung, ‑verarbeitung und ‑visualisierung. Sie lernen die Architektur cloudbasierter Tools von Google wie BigQuery und Cloud Storage kennen und erfahren, wie sie Daten effektiv strukturieren, präsentieren und Berichte erstellen.
This is the second of five courses in the Google Cloud Data Analytics Certificate. In this course, you’ll explore how data is structured and organized. You’ll gain hands-on experience with the data lakehouse architecture and cloud components like BigQuery, Google Cloud Storage, and DataProc to efficiently store, analyze, and process large datasets.
Dies ist der fünfte von fünf Kursen des Google Cloud Data Analytics Certificate. In diesem Kurs werden Sie die Grundlagen und Fähigkeiten aus den Kursen 1 bis 4 in einem praktischen Abschlussprojekt kombinieren und anwenden, das sich auf den gesamten Datenlebenszyklus konzentriert. Sie üben die Verwendung cloudbasierter Tools zum Erfassen, Speichern, Verarbeiten, Analysieren und Visualisieren von Daten und lernen, wie Sie Datenstatistiken effektiv kommunizieren. Am Ende des Kurses schließen Sie ein Projekt ab, das Ihre Fähigkeit demonstriert, Daten aus verschiedenen Quellen effektiv zu strukturieren, Lösungen für unterschiedliche Stakeholder zu präsentieren und Datenerkenntnisse mithilfe cloudbasierter Software zu visualisieren. Außerdem aktualisieren Sie Ihren Lebenslauf und üben Vorstellungsgesprächstechniken, um sich auf Bewerbungen und Vorstellungsgespräche vorzubereiten.
Dies ist der vierte von fünf Kursen des Google Cloud Data Analytics Certificate. In diesem Kurs geht es um die fünf wichtigsten Phasen der Datenvisualisierung in der Cloud: Storytelling, Planung, Datenexploration, Erstellung von Visualisierungen und Datenaustausch. Außerdem lernen Teilnehmer, wie sie mit UI/UX-Kenntnissen wirkungsvolle, cloudnative Visualisierungen erstellen und mit cloudnativen Datenvisualisierungstools Datasets untersuchen, Berichte erstellen und Dashboards entwickeln, die Entscheidungen unterstützen und Zusammenarbeit fördern.
This is the third of five courses in the Google Cloud Data Analytics Certificate. In this course, you’ll begin by getting an overview of the data journey, from collection to insights. You’ll then learn how to use SQL to transform raw data into a usable format. Next, you’ll learn how to transform high volumes of data with a data pipeline. Finally, you’ll gain experience applying transformation strategies to real data sets to solve business needs.
This is the first of five courses in the Google Cloud Data Analytics Certificate. In this course, you’ll define the field of cloud data analysis and describe roles and responsibilities of a cloud data analyst as they relate to data acquisition, storage, processing, and visualization. You’ll explore the architecture of Google Cloud-based tools, like BigQuery and Cloud Storage, and how they are used to effectively structure, present, and report data.