가입 로그인

harshitha kothuru

회원 가입일: 2025

다이아몬드 리그

16170포인트
Google Cloud 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI Earned 6월 8, 2026 EDT
인코더-디코더 아키텍처 Earned 6월 8, 2026 EDT
어텐션 메커니즘 Earned 6월 8, 2026 EDT
생성형 AI를 위한 머신러닝 작업(MLOps) Earned 6월 8, 2026 EDT
이미지 생성 소개 Earned 6월 8, 2026 EDT
책임감 있는 AI: Google Cloud를 통한 AI 원칙 적용하기 Earned 6월 8, 2026 EDT
책임감 있는 AI 소개 Earned 6월 8, 2026 EDT
대규모 언어 모델 소개 Earned 6월 8, 2026 EDT
생성형 AI 소개 Earned 6월 8, 2026 EDT
Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 Earned 6월 5, 2026 EDT
Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 Earned 6월 1, 2026 EDT
Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 Earned 5월 31, 2026 EDT
종합해 보기: 클라우드 보안 분석가 업무 준비 Earned 9월 17, 2025 EDT
Cloud에서 사이버 보안 공격 탐지, 대응, 복구 Earned 9월 17, 2025 EDT
클라우드 보안 위험: 위협에 대한 식별 및 보호 Earned 9월 15, 2025 EDT
클라우드 보안 위험 관리 전략 Earned 9월 8, 2025 EDT
클라우드 컴퓨팅의 보안 원칙 소개 Earned 9월 4, 2025 EDT
Vertex AI로 머신러닝 작업(MLOps): 모델 평가 Earned 6월 1, 2025 EDT

Google Cloud 컴퓨팅 기초 과정은 클라우드 컴퓨팅에 대한 배경지식 또는 경험이 거의 없는 개인을 대상으로 합니다. 이 과정은 클라우드 기본사항, 빅데이터, 머신러닝에 대한 핵심 개념을 간략히 설명하고 Google Cloud의 적용 위치 및 방식에 대한 개요를 제공합니다. 일련의 과정을 마친 학습자는 이러한 개념을 명확하게 설명하고 몇 가지 실무 기술 역량을 입증할 수 있게 됩니다. 과정은 다음 순서대로 완료해야 합니다. 1. Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 2. Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 3. Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 4. Google Cloud 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI 이 시리즈의 마지막 과정에서는 관리형 빅데이터 서비스, 머신러닝과 그 가치를 복습하고 기술 배지를 획득하여 Google Cloud 기술 역량을 추가로 입증하는 방법을 살펴봅니다.

자세히 알아보기

이 과정은 기계 번역, 텍스트 요약, 질의 응답과 같은 시퀀스-투-시퀀스(Seq2Seq) 작업에 널리 사용되는 강력한 머신러닝 아키텍처인 인코더-디코더 아키텍처에 대한 개요를 제공합니다. 인코더-디코더 아키텍처의 기본 구성요소와 이러한 모델의 학습 및 서빙 방법에 대해 알아봅니다. 해당하는 실습 둘러보기에서는 TensorFlow에서 시를 짓는 인코더-디코더 아키텍처를 처음부터 간단하게 구현하는 코딩을 해봅니다.

자세히 알아보기

이 과정에서는 신경망이 입력 시퀀스의 특정 부분에 집중할 수 있도록 하는 강력한 기술인 주목 메커니즘을 소개합니다. 주목 메커니즘의 작동 방식과 이 메커니즘을 다양한 머신러닝 작업(기계 번역, 텍스트 요약, 질문 답변 등)의 성능을 개선하는 데 활용하는 방법을 알아봅니다.

자세히 알아보기

이 과정에서는 생성형 AI 모델을 배포하고 관리할 때 MLOps팀이 직면하는 고유한 과제를 파악하는 데 필요한 지식과 도구를 제공하고 Vertex AI가 어떻게 AI팀이 MLOps 프로세스를 간소화하고 생성형 AI 프로젝트에서 성공을 거둘 수 있도록 지원하는지 살펴봅니다.

자세히 알아보기

이 과정에서는 최근 이미지 생성 분야에서 가능성을 보여준 머신러닝 모델 제품군인 확산 모델을 소개합니다. 확산 모델은 열역학을 비롯한 물리학에서 착안했습니다. 지난 몇 년 동안 확산 모델은 연구계와 업계 모두에서 주목을 받았습니다. 확산 모델은 Google Cloud의 다양한 최신 이미지 생성 모델과 도구를 뒷받침합니다. 이 과정에서는 확산 모델의 이론과 Vertex AI에서 이 모델을 학습시키고 배포하는 방법을 소개합니다.

자세히 알아보기

기업에서 인공지능과 머신러닝의 사용이 계속 증가함에 따라 책임감 있는 빌드의 중요성도 커지고 있습니다. 대부분의 기업은 책임감 있는 AI를 실천하기가 말처럼 쉽지 않습니다. 조직에서 책임감 있는 AI를 운영하는 방법에 관심이 있다면 이 과정이 도움이 될 것입니다. 이 과정에서 책임감 있는 AI를 위해 현재 Google Cloud가 기울이고 있는 노력, 권장사항, Google Cloud가 얻은 교훈을 알아보면 책임감 있는 AI 접근 방식을 구축하기 위한 프레임워크를 수립할 수 있을 것입니다.

자세히 알아보기

책임감 있는 AI란 무엇이고 이것이 왜 중요하며 Google에서는 어떻게 제품에 책임감 있는 AI를 구현하고 있는지 설명하는 입문용 마이크로 학습 과정입니다. Google의 7가지 AI 원칙도 소개합니다.

자세히 알아보기

이 과정은 입문용 마이크로 학습 과정으로, 대규모 언어 모델(LLM)이란 무엇이고, LLM을 활용할 수 있는 사용 사례로는 어떤 것이 있으며, 프롬프트 조정을 사용해 LLM 성능을 개선하는 방법은 무엇인지 알아봅니다. 또한 자체 생성형 AI 앱을 개발하는 데 도움이 되는 Google 도구에 대해서도 다룹니다.

자세히 알아보기

생성형 AI란 무엇이고 어떻게 사용하며 전통적인 머신러닝 방법과는 어떻게 다른지 설명하는 입문용 마이크로 학습 과정입니다. 직접 생성형 AI 앱을 개발하는 데 도움이 되는 Google 도구에 대해서도 다룹니다.

자세히 알아보기

Google Cloud 컴퓨팅 기초 과정은 클라우드 컴퓨팅에 대한 배경 지식 또는 경험이 거의 없는 개인을 대상으로 합니다. 이 과정은 클라우드 기본사항, 빅데이터, 머신러닝에 대한 핵심 개념을 간략히 설명하고 Google Cloud의 적용 위치 및 방식에 대한 개요를 제공합니다. 일련의 과정을 마친 학습자는 이러한 개념을 명확하게 설명하고 몇 가지 실무 기술 역량을 입증할 수 있게 됩니다. 다음 순서대로 과정을 완료해야 합니다. 1. Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 2. Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 3. Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 4. Google 클라우드 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI 이 세 번째 과정에서는 클라우드 자동화 및 관리 도구와 안전한 네트워크 구축에 대해 다룹니다.

자세히 알아보기

Google Cloud 컴퓨팅 기초 과정은 클라우드 컴퓨팅에 대한 배경지식 또는 경험이 거의 없는 개인을 대상으로 합니다. 이 과정은 클라우드 기본사항, 빅데이터, 머신러닝에 대한 핵심 개념을 간략히 설명하고 Google Cloud의 적용 위치 및 방식에 대한 개요를 제공합니다. 일련의 과정을 마친 학습자는 이러한 개념을 명확하게 설명하고 몇 가지 실무 기술 역량을 입증할 수 있게 됩니다. 과정은 다음 순서대로 완료해야 합니다. 1. Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 2. Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 3. Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 4. Google Cloud 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI

자세히 알아보기

Google Cloud 컴퓨팅 기초 과정은 클라우드 컴퓨팅에 대한 배경지식 또는 경험이 거의 없는 개인을 대상으로 합니다. 이 과정은 클라우드 기본사항, 빅데이터, 머신러닝에 대한 핵심 개념을 간략히 설명하고 Google Cloud의 적용 위치 및 방식에 대한 개요를 제공합니다. 일련의 과정을 마친 학습자는 이러한 개념을 명확하게 설명하고 몇 가지 실무 기술 역량을 입증할 수 있게 됩니다. 과정은 다음 순서대로 완료해야 합니다. 1. Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 2. Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 3. Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 4. Google Cloud 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI 첫 번째 과정에서는 클라우드 컴퓨팅, Google Cloud 사용 방법, 다양한 컴퓨팅 옵션에 대한 개요를 제공합니다.

자세히 알아보기

Google Cloud 사이버 보안 자격증의 5개 과정 중 다섯 번째 과정입니다. 이 과정에서는 클라우드 보안 원칙, 위험 관리, 취약점 식별, 이슈 관리, 위기 커뮤니케이션과 같은 주요 개념을 결합하여 대화형 캡스톤 프로젝트로 적용합니다. 또한 이력서 업데이트를 마무리하고 새로 배운 모든 면접 기법을 실습하여 해당 분야의 일자리에 자신 있게 지원하고 면접을 볼 수 있도록 준비할 수 있습니다.

자세히 알아보기

Google Cloud 사이버 보안 수료증의 5개 과정 중 네 번째 과정입니다. 이 과정에서는 공격 완화 기법과 함께 로깅, 보안, 알림 모니터링 기능을 개발하는 데 중점을 둡니다. 위협 피드 맞춤설정, 사고 관리, 위기 커뮤니케이션 처리, 근본 원인 분석 수행, 사고 대응 및 사후 커뮤니케이션 방법 숙지에 관한 귀중한 지식을 얻을 수 있습니다. Google Cloud 도구를 사용하여 보안 침해 지표를 식별하고 비즈니스 연속성 및 재해 복구를 준비하는 방법을 알아보세요. 기술 역량을 높이면서 이력서를 계속 업데이트하고 면접 기법을 연습하겠습니다.

자세히 알아보기

Google Cloud 사이버 보안 수료증의 5개 과정 중 세 번째 과정입니다. 이 과정에서는 클라우드 환경의 ID 관리 및 액세스 제어 원칙을 살펴보고 AAA(인증, 승인, 감사), 사용자 인증 정보 처리, 인증서 관리와 같은 핵심 요소를 다룹니다. 또한 위협 및 취약점 관리, 클라우드 네이티브 원칙, 데이터 보호 조치와 같은 필수 주제도 살펴봅니다. 이 과정을 수료한 학습자는 클라우드 기반 리소스를 보호하고 민감한 조직 정보를 보호하는 데 필요한 기술과 지식을 갖추게 됩니다. 또한 경력 개발 리소스를 계속 활용하고 면접 기법을 연마하여 전문가 여정의 다음 단계를 준비할 수 있습니다.

자세히 알아보기

Google Cloud 사이버 보안 수료증의 5개 과정 중 두 번째 과정입니다. 이 과정에서는 널리 사용되는 클라우드 위험 관리 프레임워크를 살펴보고 보안 도메인, 규정 준수 수명 주기, HIPAA, NIST CSF, SOC와 같은 업계 표준을 살펴봅니다. 위험 식별, 보안 제어 구현, 규정 준수 평가, 데이터 보호 관리 기술을 개발합니다. 또한 위험 관리 및 규정 준수에 특화된 Google Cloud 및 멀티 클라우드 도구를 직접 사용해 볼 수 있습니다. 또한 이 과정에서는 취업 지원 및 면접 준비 기법을 통합하여 클라우드 위험 관리의 복잡한 환경을 이해하고 효과적으로 탐색할 수 있는 포괄적인 기반을 제공합니다.

자세히 알아보기

Google Cloud 사이버 보안 수료증의 5개 과정 중 첫 번째 과정입니다. 이 과정에서는 보안 수명 주기, 디지털 혁신, 주요 클라우드 컴퓨팅 개념 등 사이버 보안의 필수사항을 살펴봅니다. 초급 클라우드 보안 분석가가 작업을 자동화하는 데 사용하는 일반적인 도구도 파악합니다.

자세히 알아보기

이 과정은 머신러닝 실무자에게 생성형 AI 모델과 예측형 AI 모델을 평가하는 데 필요한 도구, 기술, 권장사항을 제공합니다. 모델 평가는 프로덕션 단계의 ML 시스템이 안정적이고 정확하고 성능이 우수한 결과를 제공할 수 있게 하는 중요한 분야입니다. 강의 참가자는 다양한 평가 측정항목, 방법, 각각 다른 모델 유형과 작업에 적합한 애플리케이션에 대해 깊이 있게 이해할 수 있습니다. 이 과정에서는 생성형 AI 모델의 고유한 문제를 강조하고 이를 효과적으로 해결하기 위한 전략을 소개합니다. 강의 참가자는 Google Cloud의 Vertex AI Platform을 활용해 모델 선택, 최적화, 지속적인 모니터링을 위한 견고한 평가 프로세스를 구현하는 방법을 알아볼 수 있습니다.

자세히 알아보기