Baek Duin
Mitglied seit 2020
Silver League
14219 Punkte
Verantwortungsbewusste Anwendung von KI für Entwickler: Interpretierbarkeit und Transparenz
Earned Sep 27, 2025 EDT
Verantwortungsbewusste Anwendung von KI für Entwickler: Fairness und Bias
Earned Sep 27, 2025 EDT
Rich-Dokumente mit Gemini Multimodal und Multimodal RAG untersuchen
Earned Sep 27, 2025 EDT
Machine Learning Operations (MLOps) für generative KI
Earned Jun 5, 2025 EDT
Einführung in Vertex AI Studio
Earned Jun 5, 2025 EDT
Vektorsuche und Einbettungen
Earned Jun 2, 2025 EDT
Einführung in die verantwortungsbewusste Anwendung von KI
Earned Mär 11, 2025 EDT
Einführung in Large Language Models
Earned Mär 26, 2024 EDT
Einführung in generative KI
Earned Mär 26, 2024 EDT
Modelle zur Bilduntertitelung erstellen
Earned Sep 28, 2023 EDT
Transformer-Modelle und BERT-Modell
Earned Sep 28, 2023 EDT
Encoder-Decoder-Architektur
Earned Sep 27, 2023 EDT
Aufmerksamkeitsmechanismus
Earned Sep 27, 2023 EDT
Einstieg in die Bildgenerierung
Earned Sep 20, 2023 EDT
Launching into Machine Learning
Earned Dez 24, 2022 EST
Deprecated Kubernetes Solutions
Earned Okt 31, 2022 EDT
Kubernetes in Google Cloud
Earned Jul 25, 2022 EDT
[DEPRECATED] Feature Engineering
Earned Mai 15, 2022 EDT
Machine Learning Operations (MLOps): Getting Started
Earned Mai 14, 2022 EDT
Recommendation Systems on Google Cloud
Earned Mai 10, 2022 EDT
Computer Vision Fundamentals with Google Cloud
Earned Mai 2, 2022 EDT
[Depricated] Build, Train and Deploy ML Models with Keras on Google Cloud
Earned Apr 23, 2022 EDT
How Google Does Machine Learning
Earned Apr 20, 2022 EDT
[DEPRECATED] Google Cloud Big Data and Machine Learning Fundamentals
Earned Apr 19, 2022 EDT
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.
Weitere Informationen
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.
Weitere Informationen
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.
Weitere Informationen
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.
Weitere Informationen
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.
Weitere Informationen
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.
Weitere Informationen
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.
Weitere Informationen
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.
Weitere Informationen
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.
Weitere Informationen
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
Weitere Informationen
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.
Weitere Informationen
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.
Weitere Informationen
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.
Weitere Informationen
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.
Weitere Informationen
The course begins with a discussion about data: how to improve data quality and perform exploratory data analysis. We describe Vertex AI AutoML and how to build, train, and deploy an ML model without writing a single line of code. You will understand the benefits of Big Query ML. We then discuss how to optimize a machine learning (ML) model and how generalization and sampling can help assess the quality of ML models for custom training.
Weitere Informationen
Containerized applications have changed the game and are here to stay. With Kubernetes, you can orchestrate containers with ease, and integration with the Google Cloud Platform is seamless. In this advanced-level quest, you will be exposed to a wide range of Kubernetes use cases and will get hands-on practice architecting solutions over the course of 8 labs. From building Slackbots with NodeJS, to deploying game servers on clusters, to running the Cloud Vision API, Kubernetes Solutions will show you first-hand how agile and powerful this container orchestration system is.
Weitere Informationen
Kubernetes ist das meistgenutzte System zur Orchestrierung von Containern. Die Google Kubernetes Engine wurde speziell für die Unterstützung verwalteter Kubernetes-Deployments in Google Cloud entwickelt. In diesem Kurs für Fortgeschrittene erfahren Sie, wie Sie Docker-Images und ‑Container konfigurieren und vollwertige Kubernetes Engine-Anwendungen bereitstellen. Sie erlernen die praktischen Fertigkeiten, die für die Einbindung der Containerorchestrierung in den eigenen Workflow erforderlich sind. Wenn Sie Ihre Fähigkeiten und Ihr Wissen unter Beweis stellen möchten, können Sie ein Challenge-Lab nach Abschluss des Kurses Kubernetes-Anwendungen in Google Cloud bereitstellen absolvieren, um ein exklusives digitales Google Cloud-Logo zu erhalten.
Weitere Informationen
This course explores the benefits of using Vertex AI Feature Store, how to improve the accuracy of ML models, and how to find which data columns make the most useful features. This course also includes content and labs on feature engineering using BigQuery ML, Keras, and TensorFlow.
Weitere Informationen
This course introduces participants to MLOps tools and best practices for deploying, evaluating, monitoring and operating production ML systems on Google Cloud. MLOps is a discipline focused on the deployment, testing, monitoring, and automation of ML systems in production. Machine Learning Engineering professionals use tools for continuous improvement and evaluation of deployed models. They work with (or can be) Data Scientists, who develop models, to enable velocity and rigor in deploying the best performing models.
Weitere Informationen
In this course, you apply your knowledge of classification models and embeddings to build a ML pipeline that functions as a recommendation engine.
This is the fifth and final course of the Advanced Machine Learning on Google Cloud series.
Weitere Informationen
This course describes different types of computer vision use cases and then highlights different machine learning strategies for solving these use cases. The strategies vary from experimenting with pre-built ML models through pre-built ML APIs and AutoML Vision to building custom image classifiers using linear models, deep neural network (DNN) models or convolutional neural network (CNN) models.
The course shows how to improve a model's accuracy with augmentation, feature extraction, and fine-tuning hyperparameters while trying to avoid overfitting the data.
The course also looks at practical issues that arise, for example, when one doesn't have enough data and how to incorporate the latest research findings into different models.
Learners will get hands-on practice building and optimizing their own image classification models on a variety of public datasets in the labs they will work on.
Weitere Informationen
This course covers building ML models with TensorFlow and Keras, improving the accuracy of ML models and writing ML models for scaled use.
Weitere Informationen
This course explores what ML is and what problems it can solve. The course also discusses best practices for implementing machine learning. You’re introduced to Vertex AI, a unified platform to quickly build, train, and deploy AutoML machine learning models.
The course discusses the five phases of converting a candidate use case to be driven by machine learning, and why it’s important to not skip them. The course ends with recognizing the biases that ML can amplify and how to recognize them.
Weitere Informationen
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.
Weitere Informationen
