Thamu Mnyulwa
회원 가입일: 2023
골드 리그
63620포인트
머신러닝 작업(MLOps): 시작하기
Earned 6월 2, 2025 EDT
대규모 언어 모델 소개
Earned 5월 30, 2025 EDT
생성형 AI 소개
Earned 5월 30, 2025 EDT
생성형 AI 에이전트: 조직 혁신
Earned 5월 28, 2025 EDT
생성형 AI: 환경 살펴보기
Earned 5월 21, 2025 EDT
생성형 AI: 기본 개념 이해
Earned 5월 15, 2025 EDT
생성형 AI: 챗봇 그 이상의 가치
Earned 5월 15, 2025 EDT
BigQuery ML로 ML 모델 만들기
Earned 5월 6, 2025 EDT
[DEPRECATED] 특성 추출
Earned 5월 4, 2025 EDT
Google Cloud에서 Keras를 사용해 ML 모델을 빌드, 학습, 배포하기
Earned 1월 30, 2025 EST
Vertex AI에서 머신러닝 솔루션 빌드 및 배포하기
Earned 1월 22, 2025 EST
Build MLOps Pipelines using Vertex AI
Earned 1월 21, 2025 EST
Google Cloud의 AI 및 머신러닝 소개
Earned 1월 6, 2025 EST
Google Cloud Observability로 모니터링 및 로깅
Earned 12월 7, 2024 EST
Google Cloud 앱 개발 환경 설정
Earned 12월 7, 2024 EST
Compute Engine에서 Cloud Load Balancing 구현하기
Earned 12월 3, 2024 EST
Google Cloud의 데이터 엔지니어링 입문
Earned 12월 1, 2024 EST
Google Cloud에서 Cloud 보안 기본사항 구현하기
Earned 11월 30, 2024 EST
기준: 인프라
Earned 11월 22, 2024 EST
Looker 대시보드 및 보고서를 위해 데이터 준비하기
Earned 11월 21, 2024 EST
Google Cloud로 인프라 및 애플리케이션 현대화
Earned 8월 11, 2024 EDT
Google Cloud 인공지능으로 혁신하기
Earned 8월 8, 2024 EDT
Google Cloud를 통한 데이터 혁신 살펴보기
Earned 8월 7, 2024 EDT
Google 데이터 클라우드로 데이터 공유하기
Earned 7월 21, 2024 EDT
BigQuery 데이터에서 인사이트 도출
Earned 7월 19, 2024 EDT
BigQuery ML을 사용한 예측 모델링을 위한 데이터 엔지니어링
Earned 7월 19, 2024 EDT
BigQuery로 스트리밍 분석
Earned 7월 17, 2024 EDT
Dataflow를 사용한 서버리스 데이터 처리: 기초
Earned 7월 2, 2024 EDT
자격증 학습 가이드 만들기: PDE 시험 대비
Earned 6월 29, 2024 EDT
Knowledge Catalog로 데이터 메시 빌드하기
Earned 6월 26, 2024 EDT
Google Cloud에서 ML API용으로 데이터 준비하기
Earned 5월 31, 2024 EDT
BigQuery로 데이터 웨어하우스 빌드
Earned 5월 31, 2024 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud - 한국어
Earned 5월 29, 2024 EDT
책임감 있는 AI 소개
Earned 5월 23, 2024 EDT
Google Cloud에서 데이터 레이크와 데이터 웨어하우스 빌드하기
Earned 5월 15, 2024 EDT
Google Cloud Big Data and Machine Learning Fundamentals - 한국어
Earned 5월 2, 2024 EDT
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
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
생성형 AI 에이전트: 조직 혁신'은 Gen AI Leader 학습 과정의 다섯 번째이자 마지막 과정입니다. 이 과정에서는 조직이 어떻게 커스텀 생성형 AI 에이전트를 사용해 특정 비즈니스 과제를 해결할 수 있는지 살펴봅니다. 모델, 추론 루프, 도구와 같은 에이전트의 구성요소를 살펴보며 기본적인 생성형 AI 에이전트를 빌드하는 실무형 실습을 진행합니다.
자세히 알아보기
생성형 AI: 환경 살펴보기는 Gen AI Leader 학습 과정의 세 번째 과정입니다. 생성형 AI는 업무 방식을 비롯해 주변 세계와 상호작용하는 방식에 변화를 일으키고 있습니다. 리더로서 생성형 AI를 활용하여 실질적인 비즈니스 성과를 얻으려면 어떻게 해야 할까요? 이 과정에서는 생성형 AI 솔루션 빌드의 다양한 계층, Google Cloud 제품, 솔루션을 선택할 때 고려해야 할 요소를 살펴봅니다.
자세히 알아보기
생성형 AI: 기본 개념 이해는 Gen AI Leader 학습 과정의 두 번째 과정입니다. 이 과정에서는 생성형 AI의 기본 개념을 이해하기 위해 AI, ML, 생성형 AI의 차이점을 살펴보고 다양한 데이터 유형에서 생성형 AI로 어떻게 비즈니스 과제를 해결할 수 있는지 알아봅니다. 파운데이션 모델의 제한사항과 책임감 있고 안전한 AI 개발 및 배포의 주요 과제를 해결할 수 있도록 Google Cloud 전략에 관한 인사이트도 제공합니다.
자세히 알아보기
생성형 AI: 챗봇 그 이상의 가치는 Gen AI Leader 학습 과정의 첫 번째 과정이며 기본 요건은 따로 없습니다. 이 과정은 챗봇에 대한 기본적인 이해를 넘어 조직을 위한 생성형 AI의 진정한 잠재력을 살펴보는 것을 목표로 합니다. 생성형 AI의 강력한 기능을 활용하는 데 중요한 파운데이션 모델과 프롬프트 엔지니어링과 같은 개념을 살펴봅니다. 또한 조직을 위한 성공적인 생성형 AI 전략을 개발할 때 고려해야 할 중요한 사항을 안내합니다.
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
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
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
This skill badge aims to evaluate a partner's ability to utilize various methods available to them to automate manual processes involved when deploying machine learning models using Vertex AI. Manual processes are often not scalable which is why advancing an organization's AI/ML adoption requires ML Ops processes to improve the rate of model training, experimentation and deployment.
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
초급 Google Cloud Observability로 모니터링 및 로깅 기술 배지를 획득하여 Compute Engine에서 가상 머신 모니터링, Cloud Monitoring을 활용한 다중 프로젝트 감독, Cloud Functions로 모니터링 및 로깅 기능 확장, 커스텀 애플리케이션 측정항목 생성 및 전송, 커스텀 측정항목을 기반으로 Cloud Monitoring 알림 구성 등의 기술을 입증하세요.
자세히 알아보기
Google Cloud 앱 개발 환경 설정 과정을 완료하여 기술 배지를 획득하세요. Cloud Storage, Identity and Access Management, Cloud Functions, Pub/Sub의 기본 기능을 사용하여 스토리지 중심 클라우드 인프라를 구축하고 연결하는 방법을 배울 수 있습니다.
자세히 알아보기
초급 Compute Engine에서 Cloud Load Balancing 구현하기 기술 배지 과정을 완료하여 Compute Engine에서 가상 머신 만들기 및 배포, 네트워크 및 애플리케이션 부하 분산기 구성과 관련된 기술 역량을 입증하세요.
자세히 알아보기
이 과정에서는 Google Cloud의 데이터 엔지니어링, 데이터 엔지니어의 역할과 책임, 그리고 이러한 요소가 Google Cloud 제공 서비스와 어떻게 연결되는지에 대해 알아봅니다. 또한 데이터 엔지니어링 과제를 해결하는 방법에 대해서도 배우게 됩니다.
자세히 알아보기
중급 Google Cloud에서 Cloud 보안 기본사항 구현하기 기술 배지 과정을 완료하여 Identity and Access Management(IAM)로 역할 생성 및 할당, 서비스 계정 생성 및 관리, 가상 프라이빗 클라우드(VPC) 네트워크에서 비공개 연결 사용 설정, IAP(Identity-Aware Proxy)를 사용한 애플리케이션 액세스 제한, Cloud Key Management Service(KMS)를 사용한 키와 암호화된 데이터 관리, 비공개 Kubernetes 클러스터 생성과 관련된 기술 역량을 입증하세요.
자세히 알아보기
이 과정은 Google Cloud 기본 개념 과정 이상의 지식을 얻기 위해 실무형 실습을 찾는 초보 클라우드 개발자에게 도움이 됩니다. 실습을 통해 Cloud Storage와 Monitoring 및 Cloud Functions 등 기타 주요 애플리케이션 서비스를 자세히 살펴보며 실무 경험을 쌓게 됩니다. 모든 Google Cloud 이니셔티브에 적용할 수 있는 유용한 기술을 개발할 수 있습니다.
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
많은 기존 기업은 최신 고객 기대에 부응할 수 없는 기존 시스템과 앱을 사용합니다. 비즈니스 리더는 노후화된 IT 시스템을 유지할지 아니면 새로운 제품과 서비스에 투자할지 결정해야 하는 경우가 많습니다. 이 과정에서는 이러한 과제를 살펴보고 클라우드 기술을 사용하여 이를 극복할 수 있는 솔루션을 제공합니다.
Cloud Digital Leader 학습 과정의 일부인 이 과정은 개인이 자신의 역할에서 성장하고 비즈니스의 미래를 구축하는 데 도움이 되는 것을 목표로 합니다.
자세히 알아보기
인공지능(AI)과 머신러닝(ML)은 광범위한 산업을 빠르게 혁신하고 있는 정보 기술의 중요한 진화입니다. 'Google Cloud 인공지능으로 혁신하기' 과정에서는 조직이 AI와 ML을 사용하여 비즈니스 프로세스를 혁신하는 방법을 살펴봅니다.
Cloud Digital Leader 학습 과정의 일부인 이 과정은 개인이 자신의 역할에서 성장하고 비즈니스의 미래를 구축하는 데 도움이 되는 것을 목표로 합니다.
자세히 알아보기
클라우드 기술은 강력한 자산이며, 데이터와 결합하면 혁신과 향상된 고객 경험을 위한 촉매제가 됩니다. 'Google Cloud를 통한 데이터 혁신 살펴보기' 과정에서는 조직이 클라우드를 활용하여 데이터의 접근성, 실행 가능성, 가치를 높이는 방법을 살펴봅니다.
Cloud Digital Leader 학습 과정의 일부인 이 과정은 개인이 자신의 역할에서 성장하고 비즈니스의 미래를 구축하는 데 도움이 되는 것을 목표로 합니다.
자세히 알아보기
Google 데이터 클라우드로 데이터 공유하기 기술 배지 과정을 완료하여 기술 배지 를 획득하세요.이 과정에서는 고객이 분석 사용 사례에 사용할 수 있는 독점 데이터 세트를 보유한 Google Cloud 데이터 공유 파트너와 함께 실무 경험을 쌓을 수 있습니다. 고객은 이 데이터를 구독하고, 자체 플랫폼 내에서 쿼리하고, 자체 데이터 세트로 보강하고, 고객 대면 대시보드에 시각화 도구를 사용합니다.
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
중급 BigQuery ML을 사용한 예측 모델링을 위한 데이터 엔지니어링 기술 배지를 획득하여 Dataprep by Trifact로 데이터 변환 파이프라인을 BigQuery에 빌드, Cloud Storage, Dataflow, BigQuery를 사용한 ETL(추출, 변환, 로드) 워크플로 빌드, BigQuery ML을 사용하여 머신러닝 모델을 빌드하는 기술 역량을 입증할 수 있습니다.
자세히 알아보기
BigQuery로 스트리밍 분석 과정을 완료하여 기술 배지를 획득하세요. 이 과정에서는 Pub/Sub, Dataflow, BigQuery를 함께 사용하여 데이터를 스트리밍하고 분석할 수 있습니다.
자세히 알아보기
이 과정은 Dataflow를 사용한 서버리스 데이터 처리에 관한 3개 과정으로 이루어진 시리즈 중 1부입니다. 이 첫 번째 과정에서는 Apache Beam이 무엇인지, Dataflow와 어떤 관계가 있는지 복습하는 내용으로 시작합니다. 다음으로 Apache Beam의 비전과 Beam 이식성 프레임워크의 이점에 대해 설명합니다. Beam 이식성 프레임워크는 개발자가 선호하는 프로그래밍 언어를 원하는 실행 백엔드와 함께 사용할 수 있다는 비전을 실현합니다. 그런 다음 Dataflow를 통해 컴퓨팅과 스토리지를 분리하면서 비용을 절감하는 방법과 ID, 액세스, 관리 도구가 Dataflow 파이프라인과 상호작용하는 방식을 알아봅니다. 마지막으로 Dataflow에서 사용 사례에 맞는 적절한 보안 모델을 구현하는 방법을 살펴봅니다.
자세히 알아보기
Gemini Notebook을 사용하여 Professional Data 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 익힐 수 있습니다.
자세히 알아보기
초급 Knowledge Catalog로 데이터 메시 빌드하기 기술 배지 과정을 완료하여, Knowledge Catalog를 통해 데이터 메시를 빌드해 Google Cloud에서 데이터 보안, 거버넌스, 탐색을 활용하는 역량을 입증하세요. Knowledge Catalog에서 애셋에 태그를 지정하고, IAM 역할을 할당하고, 데이터 품질을 평가하는 기술을 연습하고 테스트할 수 있습니다.
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
중급 BigQuery로 데이터 웨어하우스 빌드 기술 배지를 완료하여 데이터를 조인하여 새 테이블 만들기, 조인 관련 문제 해결, 합집합으로 데이터 추가, 날짜로 파티션을 나눈 테이블 만들기, BigQuery에서 JSON, 배열, 구조체 작업하기와 관련된 기술 역량을 입증하세요.
자세히 알아보기
머신러닝을 데이터 파이프라인에 통합하면 데이터에서 더 많은 인사이트를 도출할 수 있습니다. 이 과정에서는 머신러닝을 Google Cloud의 데이터 파이프라인에 포함하는 방법을 알아봅니다. 맞춤설정이 거의 또는 전혀 필요 없는 경우에 적합한 AutoML에 대해 알아보고 맞춤형 머신러닝 기능이 필요한 경우를 위해 Notebooks 및 BigQuery 머신러닝(BigQuery ML)도 소개합니다. Vertex AI를 사용해 머신러닝 솔루션을 프로덕션화하는 방법도 다루어 보겠습니다.
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
데이터 레이크와 데이터 웨어하우스를 사용하는 기존 접근방식은 효과적일 수 있지만, 특히 대규모 엔터프라이즈 환경에서는 단점이 있습니다. 이 과정에서는 데이터 레이크하우스의 개념과 데이터 레이크하우스를 만드는 데 사용되는 Google Cloud 제품을 소개합니다. 레이크하우스 아키텍처는 개방형 표준 데이터 소스를 사용하며 데이터 레이크와 데이터 웨어하우스의 장점을 결합하여 많은 단점을 해결합니다.
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
