가입 로그인

Zafar Abdugaffarov

회원 가입일: 2023

다이아몬드 리그

56720포인트
클라우드 컴퓨팅의 보안 원칙 소개 Earned 12월 16, 2025 EST
클라우드 보안 위험 관리 전략 Earned 12월 16, 2025 EST
클라우드 보안 위험: 위협에 대한 식별 및 보호 Earned 12월 16, 2025 EST
Cloud에서 사이버 보안 공격 탐지, 대응, 복구 Earned 12월 16, 2025 EST
종합해 보기: 클라우드 보안 분석가 업무 준비 Earned 12월 16, 2025 EST
Put It All Together: Prepare for a Cloud Security Analyst Job Earned 7월 16, 2024 EDT
Detect, Respond, and Recover from Cloud Cybersecurity Attacks Earned 7월 15, 2024 EDT
Cloud Security Risks: Identify and Protect Against Threats Earned 6월 13, 2024 EDT
Strategies for Cloud Security Risk Management Earned 5월 29, 2024 EDT
Introduction to Security Principles in Cloud Computing Earned 5월 16, 2024 EDT
Google Cloud 기초: 핵심 인프라 Earned 4월 23, 2024 EDT
자격증 학습 가이드 만들기: PCD 시험 대비 Earned 4월 13, 2024 EDT
생성형 AI 입문자 - Agent Platform Earned 4월 7, 2024 EDT
Vertex AI Studio 소개 Earned 4월 7, 2024 EDT
이미지 캡셔닝 모델 만들기 Earned 4월 2, 2024 EDT
Transformer 모델 및 BERT 모델 Earned 4월 2, 2024 EDT
인코더-디코더 아키텍처 Earned 4월 1, 2024 EDT
어텐션 메커니즘 Earned 3월 31, 2024 EDT
이미지 생성 소개 Earned 3월 31, 2024 EDT
책임감 있는 AI: Google Cloud를 통한 AI 원칙 적용하기 Earned 3월 20, 2024 EDT
Agent Platform의 프롬프트 설계 Earned 3월 19, 2024 EDT
책임감 있는 AI 소개 Earned 3월 12, 2024 EDT
대규모 언어 모델 소개 Earned 3월 12, 2024 EDT
생성형 AI 소개 Earned 3월 12, 2024 EDT
Looker에서 데이터 모델 관리하기 Earned 3월 9, 2024 EST
Looker에서 LookML 객체 빌드 Earned 3월 6, 2024 EST
Data Catalog Fundamentals Earned 2월 28, 2024 EST
Looker에서 고급 LookML 개념 적용하기 Earned 2월 28, 2024 EST
BigQuery ML로 ML 모델 만들기 Earned 2월 22, 2024 EST
BigQuery 데이터에서 인사이트 도출 Earned 2월 21, 2024 EST
Looker 대시보드 및 보고서를 위해 데이터 준비하기 Earned 2월 20, 2024 EST
Developing Data Models with LookML Earned 2월 20, 2024 EST
Analyzing and Visualizing Data in Looker Earned 2월 4, 2024 EST
Google Cloud 데이터 분석 필수 사항 Earned 1월 25, 2024 EST
Vertex AI에서 머신러닝 솔루션 빌드 및 배포하기 Earned 11월 16, 2023 EST
Google Cloud에서 ML API용으로 데이터 준비하기 Earned 11월 5, 2023 EST
ML Pipelines on Google Cloud - 한국어 Earned 10월 31, 2023 EDT
Vertex AI로 머신러닝 작업(MLOps) 기능 관리 Earned 10월 7, 2023 EDT
머신러닝 작업(MLOps): 시작하기 Earned 10월 5, 2023 EDT
Recommendation Systems on Google Cloud Earned 10월 5, 2023 EDT
Google Cloud의 AI 및 머신러닝 소개 Earned 9월 28, 2023 EDT
Natural Language Processing on Google Cloud Earned 9월 21, 2023 EDT
Computer Vision Fundamentals with Google Cloud Earned 9월 5, 2023 EDT
프로덕션 머신러닝 시스템 Earned 8월 23, 2023 EDT
기업의 머신러닝 Earned 8월 21, 2023 EDT
[DEPRECATED] 특성 추출 Earned 7월 27, 2023 EDT
Google Cloud에서 Keras를 사용해 ML 모델을 빌드, 학습, 배포하기 Earned 7월 9, 2023 EDT
Launching into Machine Learning - 한국어 Earned 6월 26, 2023 EDT
How Google Does Machine Learning - 한국어 Earned 6월 8, 2023 EDT
Google Cloud Big Data and Machine Learning Fundamentals - 한국어 Earned 5월 24, 2023 EDT

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

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 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 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 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

This is the fifth of five courses in the Google Cloud Cybersecurity Certificate. In this course, you’ll combine and apply key concepts such as cloud security principles, risk management, identifying vulnerabilities, incident management, and crisis communications in an interactive capstone project. Additionally, you'll finalize your resume updates and put to practice all the new interview techniques you've learned, preparing you to confidently apply for and interview for jobs in the field.

자세히 알아보기

This is the fourth of five courses in the Google Cloud Cybersecurity Certificate. In this course, you’ll focus on developing capabilities in logging, security, and alert monitoring, along with techniques for mitigating attacks. You'll gain valuable knowledge in customizing threat feeds, managing incidents, handling crisis communications, conducting root cause analysis, and mastering incident response and post-event communications. Using Google Cloud tools, you'll learn to identify indicators of compromise and prepare for business continuity and disaster recovery. Alongside these technical skills, you'll continue updating your resume and practicing interview techniques.

자세히 알아보기

This is the third of five courses in the Google Cloud Cybersecurity Certificate. In this course, you’ll explore the principles of identity management and access control within a cloud environment, covering key elements like AAA (Authentication, Authorization, and Auditing), credential handling, and certificate management. You'll also explore essential topics in threat and vulnerability management, cloud-native principles, and data protection measures. Upon completing this course, you will have acquired the skills and knowledge necessary to secure cloud-based resources and safeguard sensitive organizational information. Additionally, you'll continue to engage with career resources and hone your interview techniques, preparing you for the next step in your professional journey.

자세히 알아보기

This is the second of five courses in the Google Cloud Cybersecurity Certificate. In this course, you’ll explore widely-used cloud risk management frameworks, exploring security domains, compliance lifecycles, and industry standards such as HIPAA, NIST CSF, and SOC. You'll develop skills in risk identification, implementation of security controls, compliance evaluation, and data protection management. Additionally, you'll gain hands-on experience with Google Cloud and multi-cloud tools specific to risk and compliance. This course also incorporates job application and interview preparation techniques, offering a comprehensive foundation to understand and effectively navigate the complex landscape of cloud risk management.

자세히 알아보기

This is the first of five courses in the Google Cloud Cybersecurity Certificate. In this course, you’ll explore the essentials of cybersecurity, including the security lifecycle, digital transformation, and key cloud computing concepts. You’ll identify common tools used by entry-level cloud security analysts to automate tasks.

자세히 알아보기

Google Cloud 기초: 핵심 인프라 과정은 Google Cloud 사용에 관한 중요한 개념 및 용어를 소개합니다. 이 과정에서는 동영상 및 실무형 실습을 통해 중요한 리소스 및 정책 관리 도구와 함께 Google Cloud의 다양한 컴퓨팅 및 스토리지 서비스를 살펴보고 비교합니다.

자세히 알아보기

Gemini Notebook을 사용하여 Associate Cloud Engineer 자격증 시험을 위한 맞춤형 학습 가이드를 만드는 방법을 알아보세요. Gemini Notebook 기능을 검토하고, Gemini Notebook에서 노트북을 만들고, 학습 가이드를 사용하여 자격증 시험을 연습하는 방법을 알아봅니다.

자세히 알아보기

생성형 AI 입문자 - Agent Platform 과정은 Google Cloud에서 생성형 AI를 사용하는 방법을 다루는 실습 컬렉션입니다. 이 실습을 통해 Agent Platform에서 Gemini 모델을 사용하는 방법을 알아봅니다. 또한 프롬프트 설계, 권장사항을 살펴보고 이를 아이디어 구상, 텍스트 분류, 텍스트 추출, 텍스트 요약 등에 활용하는 방법을 다룹니다. Agent Platform에서 커스텀 학습을 통해 파운데이션 모델을 조정하고, Agent Platform의 엔드포인트에 배포하는 방법도 배우게 됩니다.

자세히 알아보기

이 과정에서는 생성형 AI 모델과 상호작용하고 비즈니스 아이디어의 프로토타입을 제작하여 프로덕션으로 출시할 수 있는 도구인 Vertex AI Studio를 소개합니다. 몰입감 있는 사용 사례, 흥미로운 강의, 실무형 실습을 통해 프롬프트부터 프로덕션에 이르는 수명 주기를 살펴보고 Vertex AI Studio를 Gemini 멀티모달 애플리케이션, 프롬프트 설계, 프롬프트 엔지니어링, 모델 조정에 활용하는 방법을 알아봅니다. 이 과정의 목표는 Vertex AI Studio로 프로젝트에서 생성형 AI의 잠재력을 활용하는 것입니다.

자세히 알아보기

이 과정에서는 딥 러닝을 사용해 이미지 캡션 모델을 만드는 방법을 알아봅니다. 인코더 및 디코더와 모델 학습 및 평가 방법 등 이미지 캡션 모델의 다양한 구성요소에 대해 알아봅니다. 이 과정을 마치면 자체 이미지 캡션 모델을 만들고 이를 사용해 이미지의 설명을 생성할 수 있게 됩니다.

자세히 알아보기

이 과정은 Transformer 아키텍처와 BERT(Bidirectional Encoder Representations from Transformers) 모델을 소개합니다. 셀프 어텐션 메커니즘 같은 Transformer 아키텍처의 주요 구성요소와 이 아키텍처가 BERT 모델 빌드에 사용되는 방식에 관해 알아봅니다. 또한 텍스트 분류, 질문 답변, 자연어 추론과 같이 BERT를 활용할 수 있는 다양한 작업에 대해서도 알아봅니다. 이 과정은 완료하는 데 대략 45분이 소요됩니다.

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 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

초급 Agent Platform의 프롬프트 설계 기술 배지를 완료하여 Agent Platform 내 프롬프트 엔지니어링, 이미지 분석, 멀티모달 생성형 기술과 관련된 기술 역량을 입증하세요. 효과적인 프롬프트를 만들고 생성형 AI 출력을 안내하며 실제 마케팅 분야 시나리오에 Gemini 모델을 적용하는 방법을 알아보세요.

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

중급 Looker에서 데이터 모델 관리하기 기술 배지 과정을 완료하여 다음 기술을 입증하세요. LookML 프로젝트 상태 유지하기, 데이터 검증을 위한 SQL Runner 활용하기, LookML 권장사항 적용하기, 성능을 위한 쿼리 및 보고 최적화하기, 영구 파생 테이블 및 캐싱 정책 구현하기

자세히 알아보기

초급 Looker에서 LookML 객체 빌드 기술 배지 과정을 완료하여 새로운 측정기준 및 측정값, 뷰, 파생 테이블을 빌드하고, 요구사항에 따라 측정 필터 및 유형을 설정하고, 측정기준과 측정값을 업데이트하고, Explore를 빌드 및 미세 조정하고, 기존 Explore에 뷰를 조인하고, 비즈니스 요구사항에 따라 생성할 LookML 객체를 결정하는 기술 역량을 입증할 수 있습니다.

자세히 알아보기

Data Catalog is deprecated and will be discontinued on January 30, 2026. You can still complete this course if you want to. For steps to transition your Data Catalog users, workloads, and content to Dataplex Catalog, see Transition from Data Catalog to Dataplex Catalog (https://cloud.google.com/dataplex/docs/transition-to-dataplex-catalog). Data Catalog is a fully managed and scalable metadata management service that empowers organizations to quickly discover, understand, and manage all of their data. In this quest you will start small by learning how to search and tag data assets and metadata with Data Catalog. After learning how to build your own tag templates that map to BigQuery table data, you will learn how to build MySQL, PostgreSQL, and SQLServer to Data Catalog Connectors.

자세히 알아보기

이 과정에서는 Looker에서 고급 LookML 개념을 적용하는 실무를 직접 경험해 봅니다. Liquid를 사용하여 동적 측정기준과 측정항목을 맞춤설정 및 생성하고 동적 SQL 파생 테이블 및 맞춤설정된 기본 파생 테이블을 만들고 확장을 사용하여 LookML 코드를 모듈화하는 방법을 알아봅니다.

자세히 알아보기

중급 BigQuery ML로 ML 모델 만들기 기술 배지 과정을 완료하면 BigQuery ML로 머신러닝 모델을 만들고 평가하여 데이터 예측을 수행하는 기술 역량을 입증할 수 있습니다.

자세히 알아보기

초급 BigQuery 데이터에서 인사이트 도출 기술 배지 과정을 완료하여 SQL 쿼리 작성, 공개 테이블 쿼리, BigQuery로 샘플 데이터 로드, BigQuery의 쿼리 검사기를 통한 일반적인 문법 오류 문제 해결, BigQuery 데이터를 연결해 Data Studio에서 보고서를 생성하는 작업과 관련된 기술 역량을 입증하세요.

자세히 알아보기

초급 Looker 대시보드 및 보고서를 위해 데이터 준비하기 기술 배지 과정을 완료하면 데이터를 필터링, 정렬, 피벗팅하고, 다른 Looker Explore의 결과를 병합하고, 함수 및 연산자를 사용해 데이터 분석 및 시각화를 위한 Looker 대시보드 및 보고서를 빌드하는 기술 역량을 입증할 수 있습니다.

자세히 알아보기

This course empowers you to develop scalable, performant LookML (Looker Modeling Language) models that provide your business users with the standardized, ready-to-use data that they need to answer their questions. Upon completing this course, you will be able to start building and maintaining LookML models to curate and manage data in your organization’s Looker instance.

자세히 알아보기

In this course, you learn how to do the kind of data exploration and analysis in Looker that would formerly be done primarily by SQL developers or analysts. Upon completion of this course, you will be able to leverage Looker's modern analytics platform to find and explore relevant content in your organization’s Looker instance, ask questions of your data, create new metrics as needed, and build and share visualizations and dashboards to facilitate data-driven decision making.

자세히 알아보기

Google Cloud에서 원시 숫자를 명확한 데이터 기반 의사 결정으로 전환하는 방법을 알아보세요. 이 초급 과정에서는 실무형 실습과 실제 시나리오를 통해 BigQuery에서 데이터를 쿼리하고, Looker에서 트렌드를 탐색하고, 데이터 스튜디오에서 공유 가능한 대화형 보고서를 작성하는 방법을 안내합니다.

자세히 알아보기

Vertex AI에서 머신러닝 솔루션 빌드 및 배포하기 과정을 완료하여 중급 기술 배지를 획득하세요. 이 과정에서는 Google Cloud의 Vertex AI Platform, AutoML, 커스텀 학습 서비스를 사용해 머신러닝 모델을 학습, 평가, 조정, 설명, 배포하는 방법을 알아봅니다. 이 기술배지 과정은 전문 데이터 과학자 및 머신러닝 엔지니어를 대상으로 합니다. 기술 배지는 Google Cloud 제품 및 서비스 숙련도에 따라 Google Cloud에서 독점적으로 발급하는 디지털 배지로, 기술 배지 과정을 통해 대화형 실습 환경에서 지식을 적용하는 역량을 테스트할 수 있습니다. 이 기술 배지 과정과 최종 평가 챌린지 실습을 완료하면 네트워크에 공유할 수 있는 디지털 배지를 받게 됩니다.

자세히 알아보기

초급 Google Cloud에서 ML API용으로 데이터 준비하기 기술 배지를 완료하여 Dataprep by Trifacta로 데이터 정리, Dataflow에서 데이터 파이프라인 실행, Managed Service for Apache Spark에서 클러스터 생성 및 Apache Spark 작업 실행, Cloud Natural Language API, Google Cloud Speech-to-Text API, Video Intelligence API를 포함한 ML API 호출과 관련된 기술 역량을 입증하세요.

자세히 알아보기

이 과정에서는 Google Cloud에서 최신 ML 파이프라인 개발을 담당하는 ML 엔지니어와 트레이너로부터 유익한 지식을 배웁니다. 초반에 진행되는 몇 개 모듈에서는 Google의 TensorFlow 기반 프로덕션 머신러닝 플랫폼으로서 ML 파이프라인과 메타데이터를 관리할 수 있는 TensorFlow Extended(TFX)에 대해 다룹니다. 파이프라인 구성요소와 TFX를 사용한 파이프라인 조정을 알아봅니다. 지속적 통합과 지속적 배포를 통해 파이프라인을 자동화하는 방법과 ML 메타데이터를 관리하는 방법도 배웁니다. 그런 다음 주제를 전환하여 TensorFlow, PyTorch, scikit-learn, xgboost 등 여러 ML 프레임워크에서 ML 파이프라인을 자동화하고 재사용하는 방법을 설명합니다. 또한 Google Cloud의 또 다른 도구인 Cloud Composer를 사용하여 지속적 학습 파이프라인을 조정하는 방법도 알아봅니다. 마지막으로 MLflow를 사용하여 머신러닝의 전체 수명 주기를 관리하는 방법을 살펴봅니다.

자세히 알아보기

이 과정에서는 Google Cloud에서 프로덕션 ML 시스템을 배포, 평가, 모니터링, 운영하기 위한 MLOps 도구와 권장사항을 소개합니다. MLOps는 프로덕션에서 ML 시스템을 배포, 테스트, 모니터링, 자동화하는 방법론입니다. 학습자는 SDK 레이어에서 Vertex AI Feature Store의 스트리밍 수집을 사용하여 실습을 진행하게 됩니다.

자세히 알아보기

이 과정에서는 Google Cloud에서 프로덕션 ML 시스템 배포, 평가, 모니터링, 운영을 위한 MLOps 도구와 권장사항을 소개합니다. MLOps는 프로덕션에서 ML 시스템을 배포, 테스트, 모니터링, 자동화하는 방법론입니다. 머신러닝 엔지니어링 전문가들은 배포된 모델의 지속적인 개선과 평가를 위해 도구를 사용합니다. 이들이 협력하거나 때론 그 역할을 하는 데이터 과학자는 고성능 모델을 빠르고 정밀하게 배포할 수 있도록 모델을 개발합니다.

자세히 알아보기

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.

자세히 알아보기

이 과정에서는 생성형 AI 프로젝트와 예측형 AI 프로젝트를 모두 개발하는 데 중점을 두고 Google Cloud의 AI 및 머신러닝(ML) 기능을 소개합니다. 데이터에서 AI로 이어지는 수명 주기 전반에 걸쳐 사용할 수 있는 다양한 기술, 제품, 도구를 살펴보고, 데이터 과학자, AI 개발자, ML 엔지니어가 대화형 실습을 통해 전문성을 강화할 수 있도록 지원합니다.

자세히 알아보기

This course introduces the products and solutions to solve NLP problems on Google Cloud. Additionally, it explores the processes, techniques, and tools to develop an NLP project with neural networks by using Vertex AI and TensorFlow.

자세히 알아보기

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.

자세히 알아보기

이 과정에서는 프로덕션 환경에서 고성능 ML 시스템을 빌드하기 위한 구성요소와 권장사항을 자세히 살펴봅니다. 정적 학습, 동적 학습, 정적 추론, 동적 추론, 분산 TensorFlow, TPU 등 고성능 ML 시스템 빌드와 관련된 일반적인 고려사항을 다룹니다. 이 과정에서는 정확한 예측 능력 외에도 양질의 ML 시스템을 만드는 특성을 탐구하는 데 중점을 둡니다.

자세히 알아보기

이 과정에서는 우수사례를 중심으로 ML 워크플로에 대한 실질적인 접근 방식을 취합니다. ML팀은 다양한 ML 비즈니스 요구사항과 사용 사례에 직면합니다. 팀에서는 데이터 관리 및 거버넌스에 필요한 도구를 이해하고 가장 효과적으로 데이터 전처리에 접근하는 방식을 파악해야 합니다. 두 가지 사용 사례를 위한 ML 모델을 빌드하는 세 가지 옵션이 팀에 제시됩니다. 이 과정에서는 목표를 달성하기 위해 AutoML, BigQuery ML 또는 커스텀 학습을 사용하는 이유를 설명합니다.

자세히 알아보기

이 과정에서는 Vertex AI Feature Store 사용의 이점, ML 모델의 정확성을 개선하는 방법, 가장 유용한 특성을 만드는 데이터 열을 찾는 방법을 살펴봅니다. 이 과정에는 BigQuery ML, Keras, TensorFlow를 사용한 특성 추출에 관한 콘텐츠와 실습도 포함되어 있습니다.

자세히 알아보기

이 과정에서는 TensorFlow 및 Keras를 사용한 ML 모델 빌드, ML 모델의 정확성 개선, 사용 사례 확장을 위한 ML 모델 작성에 대해 다룹니다.

자세히 알아보기

이 과정에서는 먼저 데이터에 관해 논의하면서 데이터 품질을 개선하고 탐색적 데이터 분석을 수행하는 방법을 알아봅니다. Vertex AI AutoML과 코드를 한 줄도 작성하지 않고 ML 모델을 빌드하고, 학습시키고, 배포하는 방법을 설명합니다. 학습자는 Big Query ML의 이점을 이해할 수 있습니다. 그런 다음, 머신러닝(ML) 모델 최적화 방법과 일반화 및 샘플링으로 커스텀 학습용 ML 모델 품질을 평가하는 방법을 다룹니다.

자세히 알아보기

Google Cloud에서 머신러닝을 구현하기 위한 권장사항에는 어떤 것이 있을까요? Vertex AI란 무엇이고, 이 플랫폼을 사용하여 코드는 한 줄도 작성하지 않고 AutoML 머신러닝 모델을 빠르게 빌드, 학습, 배포하려면 어떻게 해야 할까요? 머신러닝이란 무엇이며 어떤 종류의 문제를 해결할 수 있을까요? Google은 머신러닝을 조금 다른 방식으로 바라봅니다. Google이 머신러닝과 관련하여 중요하게 생각하는 것은 관리형 데이터 세트를 위한 통합 플랫폼과 특징 저장소를 제공하고, 코드를 작성하지 않고도 머신러닝 모델을 빌드, 학습, 배포할 방법을 제공하고, 데이터에 라벨을 지정하고, TensorFlow, scikit-learn, Pytorch, R 등과 같은 프레임워크를 사용하여 Workbench 노트북을 만들 수 있도록 지원하는 것입니다. Google의 Vertex AI 플랫폼에는 커스텀 모델을 학습시키고, 구성요소 파이프라인을 빌드하고, 온라인 및 일괄 예측을 실행하는 기능이 포함되어 있습니다. 후보 사용 사례를 머신러닝으로 구동되도록 변환하는 5단계를 살펴보고, 단계를 건너뛰지 않는 것이 중요한 이유를 알아봅니다. 마지막으로, 머신러닝이 증폭시킬 수 있는 편향과 이를 인식할 방법을 살펴봅니다.

자세히 알아보기

이 과정에서는 데이터-AI 수명 주기를 지원하는 Google Cloud 빅데이터 및 머신러닝 제품과 서비스를 소개합니다. Google Cloud에서 Vertex AI를 사용하여 빅데이터 파이프라인 및 머신러닝 모델을 빌드하는 프로세스, 문제점 및 이점을 살펴봅니다.

자세히 알아보기