ANKA RAO AMBEPALLI
Menjadi anggota sejak 2022
Silver League
5170 poin
Menjadi anggota sejak 2022
This content is deprecated. Please see the latest version of the course, here.
Kursus ini memperkenalkan model difusi, yaitu kelompok model machine learning yang belakangan ini menunjukkan potensinya dalam ranah pembuatan gambar. Model difusi mengambil inspirasi dari fisika, khususnya termodinamika. Dalam beberapa tahun terakhir, model difusi menjadi populer baik di dunia industri maupun penelitian. Model difusi mendasari banyak alat dan model pembuatan gambar yang canggih di Google Cloud. Kursus ini memperkenalkan Anda pada teori yang melandasi model difusi dan cara melatih serta men-deploy-nya di Vertex AI.
Seiring semakin meningkatnya penggunaan Kecerdasan Buatan dan Machine Learning di kalangan perusahaan, proses membangunnya secara bertanggung jawab juga menjadi semakin penting. Membicarakan responsible AI mungkin lebih mudah bagi banyak orang daripada mempraktikkannya. Jika Anda tertarik untuk mempelajari cara mengoperasionalkan responsible AI dalam organisasi Anda, kursus ini cocok untuk Anda. Dalam kursus ini, Anda akan mempelajari bagaimana Google Cloud mengoperasionalkan responsible AI, dengan praktik terbaik dan pelajaran yang dapat dipetik. Hal ini berguna sebagai framework bagi Anda untuk membangun pendekatan responsible AI.
Dapatkan badge keahlian dengan menyelesaikan kursus Introduction to Generative AI, Introduction to Large Language Models, dan Introduction to Responsible AI. Dengan berhasil menyelesaikan kuis akhir, Anda membuktikan pemahaman Anda tentang konsep dasar AI generatif. Badge keahlian adalah badge digital yang diberikan oleh Google Cloud sebagai pengakuan atas pengetahuan Anda tentang produk dan layanan Google Cloud. Pamerkan badge keahlian Anda dengan menampilkan profil Anda kepada publik dan menambahkannya ke profil media sosial Anda.
Earn a skill badge by passing the final quiz, you'll demonstrate your understanding of foundational concepts in generative AI. A skill badge is a digital badge issued by Google Cloud in recognition of your knowledge of Google Cloud products and services. Share your skill badge by making your profile public and adding it to your social media profile.
Ini adalah kursus pengantar pembelajaran mikro yang dimaksudkan untuk menjelaskan responsible AI, alasan pentingnya responsible AI, dan cara Google mengimplementasikan responsible AI dalam produknya. Kursus ini juga memperkenalkan 7 prinsip AI Google.
Ini adalah kursus pengantar pembelajaran mikro yang membahas definisi model bahasa besar (LLM), kasus penggunaannya, dan cara menggunakan prompt tuning untuk meningkatkan performa LLM. Kursus ini juga membahas beberapa alat Google yang dapat membantu Anda mengembangkan aplikasi AI Generatif Anda sendiri.
Ini adalah kursus pengantar pembelajaran mikro yang bertujuan untuk mendefinisikan AI Generatif, cara penggunaannya, dan perbedaannya dari metode machine learning konvensional. Kursus ini juga mencakup Alat-alat Google yang dapat membantu Anda mengembangkan aplikasi AI Generatif Anda sendiri.
Selesaikan badge keahlian tingkat menengah Rekayasa Data untuk Pembuatan Model Prediktif dengan BigQuery ML untuk menunjukkan keterampilan Anda dalam hal berikut: membangun pipeline transformasi data ke BigQuery dengan Dataprep by Trifacta; menggunakan Cloud Storage, Dataflow, dan BigQuery untuk membangun alur kerja ekstrak, transformasi, dan pemuatan (ETL); serta membangun model machine learning menggunakan BigQuery ML.
Selesaikan badge keahlian tingkat menengah Membangun Data Warehouse dengan BigQuery untuk menunjukkan keterampilan Anda dalam hal berikut: menggabungkan data untuk membuat tabel baru, memecahkan masalah penggabungan, menambahkan data dengan union, membuat tabel berpartisi tanggal, serta menggunakan JSON, array, dan struct di BigQuery.
In the last installment of the Dataflow course series, we will introduce the components of the Dataflow operational model. We will examine tools and techniques for troubleshooting and optimizing pipeline performance. We will then review testing, deployment, and reliability best practices for Dataflow pipelines. We will conclude with a review of Templates, which makes it easy to scale Dataflow pipelines to organizations with hundreds of users. These lessons will help ensure that your data platform is stable and resilient to unanticipated circumstances.
In this second installment of the Dataflow course series, we are going to be diving deeper on developing pipelines using the Beam SDK. We start with a review of Apache Beam concepts. Next, we discuss processing streaming data using windows, watermarks and triggers. We then cover options for sources and sinks in your pipelines, schemas to express your structured data, and how to do stateful transformations using State and Timer APIs. We move onto reviewing best practices that help maximize your pipeline performance. Towards the end of the course, we introduce SQL and Dataframes to represent your business logic in Beam and how to iteratively develop pipelines using Beam notebooks.
This course is part 1 of a 3-course series on Serverless Data Processing with Dataflow. In this first course, we start with a refresher of what Apache Beam is and its relationship with Dataflow. Next, we talk about the Apache Beam vision and the benefits of the Beam Portability framework. The Beam Portability framework achieves the vision that a developer can use their favorite programming language with their preferred execution backend. We then show you how Dataflow allows you to separate compute and storage while saving money, and how identity, access, and management tools interact with your Dataflow pipelines. Lastly, we look at how to implement the right security model for your use case on Dataflow.
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.
In this course you will get hands-on in order to work through real-world challenges faced when building streaming data pipelines. The primary focus is on managing continuous, unbounded data with Google Cloud products.
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.
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.
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.
Selesaikan badge keahlian Membangun Infrastruktur dengan Terraform di Google Cloud tingkat menengah untuk menunjukkan keterampilan dalam hal berikut: Prinsip Infrastruktur sebagai Kode (IaC) menggunakan Terraform, penyediaan dan pengelolaan resource Google Cloud dengan konfigurasi Terraform, pengelolaan status yang efektif (lokal dan jarak jauh), serta modularisasi kode Terraform agar dapat digunakan kembali dan diatur.
Selesaikan badge keahlian pengantar Mengimplementasikan Cloud Load Balancing untuk Compute Engine untuk menunjukkan keterampilan dalam hal berikut: membuat dan men-deploy virtual machine di Compute Engine serta mengonfigurasi load balancer aplikasi dan jaringan.
Dapatkan badge keahlian dengan menyelesaikan kursus Mengembangkan Jaringan Google Cloud Anda yang berisi pelajaran tentang berbagai cara untuk men-deploy dan memantau aplikasi, termasuk cara: menjelajahi peran IAM dan menambahkan/menghapus akses project, membuat jaringan VPC, men-deploy dan memantau VM Compute Engine, menulis kueri SQL, men-deploy dan memantau VM di Compute Engine, serta men-deploy aplikasi menggunakan Kubernetes dengan beberapa pendekatan deployment.
Dapatkan badge keahlian dengan menyelesaikan kursus Menyiapkan Lingkungan Pengembangan Aplikasi di Google Cloud, yang memungkinkan Anda mempelajari cara membangun dan menghubungkan infrastruktur cloud yang berpusat pada penyimpanan menggunakan kemampuan dasar teknologi berikut: Cloud Storage, Identity and Access Management, Cloud Functions, dan Pub/Sub.
This course provides an introduction to using Terraform for Google Cloud. It enables learners to describe how Terraform can be used to implement infrastructure as code and to apply some of its key features and functionalities to create and manage Google Cloud infrastructure. Learners will get hands-on practice building and managing Google Cloud resources using Terraform.
Welcome to the two-part course on Logging, Monitoring, and Observability in Google Cloud. The core operations tools in Google Cloud break down into two major categories. The operations-focused components and the application performance management tools. This course, Logging and Monitoring in Google Cloud, covers the operations-focused components including Logging, Monitoring, and Service Monitoring. After taking this course, it is suggested that you complete part 2, Observability in Google Cloud, to learn about the available application performance management tools.
Selamat datang di kursus Mulai Menggunakan Google Kubernetes Engine. Jika Anda tertarik dengan Kubernetes, lapisan software yang berada di antara aplikasi Anda dan infrastruktur hardware Anda, maka Anda berada di tempat yang tepat! Google Kubernetes Engine menghadirkan Kubernetes sebagai layanan terkelola di Google Cloud. Tujuan kursus ini adalah untuk memperkenalkan dasar-dasar Google Kubernetes Engine, atau GKE, sebagaimana umumnya disebut, dan cara membuat aplikasi dalam container dan menjalankannya di Google Cloud. Kursus ini dimulai dengan pengantar dasar tentang Google Cloud, lalu dilanjutkan dengan ringkasan container dan Kubernetes, arsitektur Kubernetes, dan operasi Kubernetes.
Kursus akselerasi sesuai permintaan ini memperkenalkan peserta pada infrastruktur dan layanan platform yang komprehensif dan fleksibel yang disediakan oleh Google Cloud. Melalui kombinasi video materi edukasi, demo, dan lab interaktif, peserta akan mengeksplorasi dan men-deploy berbagai elemen solusi, termasuk membuat interkoneksi jaringan yang aman, load balancing, penskalaan otomatis, otomatisasi infrastruktur, serta layanan terkelola.
Kursus akselerasi sesuai permintaan ini memperkenalkan peserta pada infrastruktur dan layanan platform yang komprehensif dan fleksibel yang disediakan oleh Google Cloud, dengan fokus pada Compute Engine. Melalui kombinasi video materi edukasi, demo, dan lab praktis, peserta akan mengeksplorasi dan men-deploy berbagai elemen solusi, termasuk komponen infrastruktur seperti jaringan, sistem, dan layanan aplikasi. Kursus ini juga membahas cara men-deploy solusi praktis termasuk kunci enkripsi yang disediakan pelanggan, pengelolaan keamanan dan akses, kuota dan penagihan, serta pemantauan resource.
Kursus akselerasi sesuai permintaan ini memperkenalkan peserta pada infrastruktur dan layanan platform yang komprehensif dan fleksibel yang disediakan oleh Google Cloud, dengan fokus pada Compute Engine. Melalui kombinasi video materi edukasi, demo, dan lab interaktif, peserta akan mengeksplorasi dan men-deploy berbagai elemen solusi, termasuk komponen infrastruktur seperti jaringan, virtual machine, dan layanan aplikasi. Anda akan mempelajari cara menggunakan Google Cloud melalui konsol dan Cloud Shell. Anda juga akan mempelajari peran arsitek cloud, pendekatan desain infrastruktur, dan konfigurasi networking virtual dengan Virtual Private Cloud (VPC), Project, Jaringan, Subnetwork, alamat IP, Rute, dan Aturan firewall.
Dasar-Dasar Google Cloud: Infrastruktur Inti memperkenalkan konsep dan terminologi penting untuk bekerja dengan Google Cloud. Melalui video dan lab interaktif, kursus ini menyajikan dan membandingkan banyak layanan komputasi dan penyimpanan Google Cloud, bersama dengan resource penting dan alat pengelolaan kebijakan.
Kursus ini membantu Anda menyusun persiapan untuk ujian Associate Cloud Engineer. Anda akan mempelajari domain Google Cloud yang tercakup dalam ujian dan cara membuat rencana belajar untuk meningkatkan pengetahuan domain Anda.