Mettez en pratique vos compétences dans la console Google Cloud
Anna Parfenova
Date d'abonnement : 2020
Ligue d'Argent
9621 points
Kubernetes dans Google Cloud
Earned jan. 26, 2026 EST
IA responsable : appliquer les principes concernant l'IA avec Google Cloud
Earned nov. 18, 2024 EST
Conception de requêtes dans Vertex AI
Earned nov. 8, 2024 EST
Introduction à l'IA responsable
Earned oct. 29, 2024 EDT
Présentation des grands modèles de langage
Earned oct. 27, 2024 EDT
Présentation de l'IA générative
Earned oct. 24, 2024 EDT
Ingénierie des données pour la modélisation prédictive avec BigQuery ML
Earned août 22, 2023 EDT
Traitement des données sans serveur avec Dataflow : principes de base
Earned août 13, 2023 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud - Français
Earned août 7, 2023 EDT
Créer des pipelines de flux de données sur Google Cloud
Earned août 6, 2023 EDT
Préparer des données pour les API de ML sur Google Cloud
Earned juil. 25, 2023 EDT
Créer un entrepôt de données avec BigQuery
Earned juil. 18, 2023 EDT
Créer des pipelines de données en batch sur Google Cloud
Earned juil. 3, 2023 EDT
Créer des lacs de données et des entrepôts de données sur Google Cloud
Earned juin 6, 2023 EDT
Kubernetes est le système d'orchestration de conteneurs le plus populaire, et Google Kubernetes Engine a été conçu spécifiquement pour les déploiements gérés de Kubernetes dans Google Cloud. Dans ce cours de niveau avancé, vous allez suivre des ateliers pratiques pour apprendre à configurer les images et les conteneurs Docker, ainsi qu'à déployer des applications Kubernetes Engine opérationnelles. Vous allez également acquérir les compétences nécessaires pour intégrer l'orchestration de conteneurs à votre propre workflow. Vous cherchez un atelier challenge pratique pour démontrer vos compétences et valider vos connaissances ? Suivez cet atelier challenge complémentaire après avoir terminé ce cours et le cours Déployer des applications Kubernetes sur Google Cloud pour recevoir un badge numérique Google Cloud exclusif.
En savoir plus
Avec l'essor de l'utilisation de l'intelligence artificielle et du machine learning en entreprise, il est de plus en plus important de développer ces technologies de manière responsable. Pour beaucoup, le véritable défi réside dans la mise en pratique de l'IA responsable, qui s'avère bien plus complexe que dans la théorie. Si vous souhaitez découvrir comment opérationnaliser l'IA responsable dans votre organisation, ce cours est fait pour vous.
Dans ce cours, vous allez apprendre comment Google Cloud procède actuellement, en s'appuyant sur des bonnes pratiques et les enseignements tirés, afin de vous fournir un framework pour élaborer votre propre approche d'IA responsable.
En savoir plus
Terminez le cours d'introduction Conception de requêtes dans Vertex AI pour recevoir un badge démontrant vos compétences dans les domaines suivants : le prompt engineering (ingénierie des requêtes), l'analyse d'images et les techniques d'IA générative multimodale dans Vertex AI. Découvrez comment élaborer des requêtes efficaces, guider les résultats de l'IA générative et appliquer des modèles Gemini à des scénarios marketing concrets.
En savoir plus
Ce cours de micro-apprentissage, qui s'adresse aux débutants, explique ce qu'est l'IA responsable, souligne son importance et décrit comment Google l'implémente dans ses produits. Il présente également les sept principes de l'IA de Google.
En savoir plus
Ce cours de micro-apprentissage, qui s'adresse aux débutants, explique ce que sont les grands modèles de langage (LLM). Il inclut des cas d'utilisation et décrit comment améliorer les performances des LLM grâce au réglage des requêtes. Il présente aussi les outils Google qui vous aideront à développer votre propre application d'IA générative.
En savoir plus
Ce cours de micro-apprentissage, qui s'adresse aux débutants, explique ce qu'est l'IA générative, décrit à quoi elle sert et souligne ce qui la distingue des méthodes de machine learning traditionnel. Il présente aussi les outils Google qui vous aideront à développer votre propre application d'IA générative.
En savoir plus
Terminez le cours intermédiaire Ingénierie des données pour la modélisation prédictive avec BigQuery ML pour recevoir un badge démontrant vos compétences dans les domaines suivants : la création de pipelines de transformation des données dans BigQuery avec Dataprep by Trifacta ; l'utilisation de Cloud Storage, Dataflow et BigQuery pour créer des workflows ETL (Extract, Transform and Load) ; et la création de modèles de machine learning avec BigQuery ML.
En savoir plus
Ce cours est le premier d'une série en trois volets sur le traitement des données sans serveur avec Dataflow. Dans ce premier cours, nous allons commencer par rappeler ce qu'est Apache Beam et sa relation avec Dataflow. Ensuite, nous aborderons la vision d'Apache Beam et les avantages de son framework de portabilité, qui permet aux développeurs d'utiliser le langage de programmation et le backend d'exécution de leur choix. Nous vous montrerons aussi comment séparer le calcul du stockage et économiser de l'argent grâce à Dataflow, puis nous examinerons les interactions entre les outils de gestion de l'identification et des accès avec vos pipelines Dataflow. Enfin, nous verrons comment implémenter le modèle de sécurité adapté à votre cas d'utilisation sur Dataflow.
En savoir plus
Intégrer le machine learning à des pipelines de données renforce la capacité à dégager des insights des données. Ce cours passera en revue plusieurs façons d'intégrer le machine learning à des pipelines de données sur Google Cloud. Vous découvrirez AutoML pour les cas ne nécessitant que peu de personnalisation (voire aucune), ainsi que Notebooks et BigQuery ML pour les situations qui requièrent des capacités de machine learning plus adaptées. Enfin, vous apprendrez à utiliser des solutions de machine learning en production avec Vertex AI.
En savoir plus
Dans ce cours, vous allez vous exercer à résoudre des problèmes concrets rencontrés lors de la création de pipelines de flux données. L'objectif principal est de gérer des données continues et illimitées avec les produits Google Cloud.
En savoir plus
Terminez le cours d'introduction Préparer des données pour les API de ML sur Google Cloud pour recevoir un badge démontrant vos compétences dans les domaines suivants : le nettoyage des données avec Dataprep by Trifacta, l'exécution de pipelines de données dans Dataflow, la création de clusters et l'exécution de jobs Apache Spark dans Dataproc, et l'appel d'API de ML comme l'API Cloud Natural Language, l'API Google Cloud Speech-to-Text et l'API Video Intelligence.
En savoir plus
Terminez le cours intermédiaire Créer un entrepôt de données avec BigQuery pour recevoir un badge démontrant vos compétences dans les domaines suivants : la jointure de données pour créer des tables, la résolution des problèmes liés aux jointures, l'ajout de données avec des unions, la création de tables partitionnées par date, et l'utilisation d'objets JSON, ARRAY et STRUCT dans BigQuery.
En savoir plus
Dans ce cours de niveau intermédiaire, vous apprendrez à concevoir, créer et optimiser des pipelines de données en batch robustes sur Google Cloud. Au-delà des bases de la gestion des données, vous explorerez les transformations de données à grande échelle et l'orchestration efficace des workflows, essentielles pour l'informatique décisionnelle et les rapports critiques.
Vous vous entraînerez à utiliser Dataflow pour Apache Beam et Serverless pour Apache Spark (Dataproc Serverless) pour l'implémentation, et vous aborderez des considérations importantes concernant la qualité des données, la surveillance et les alertes pour assurer la fiabilité des pipelines et l'excellence opérationnelle. Il est recommandé d'avoir des connaissances de base sur l'entreposage de données, les processus ETL/ELT, SQL, Python et les concepts de Google Cloud.
En savoir plus
Bien que les approches traditionnelles utilisant des lacs de données et des entrepôts de données puissent être efficaces, elles présentent des inconvénients, en particulier dans les grands environnements d'entreprise. Ce cours présente le concept de data lakehouse et les produits Google Cloud utilisés pour en créer un. Une architecture de lakehouse utilise des sources de données basées sur des normes ouvertes et combine les meilleures fonctionnalités des lacs et des entrepôts de données, ce qui permet de pallier de nombreuses lacunes.
Kubernetes dans Google Cloud
Earned jan. 26, 2026 EST
IA responsable : appliquer les principes concernant l'IA avec Google Cloud
Earned nov. 18, 2024 EST
Conception de requêtes dans Vertex AI
Earned nov. 8, 2024 EST
Introduction à l'IA responsable
Earned oct. 29, 2024 EDT
Présentation des grands modèles de langage
Earned oct. 27, 2024 EDT
Présentation de l'IA générative
Earned oct. 24, 2024 EDT
Ingénierie des données pour la modélisation prédictive avec BigQuery ML
Earned août 22, 2023 EDT
Traitement des données sans serveur avec Dataflow : principes de base
Earned août 13, 2023 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud - Français
Earned août 7, 2023 EDT
Créer des pipelines de flux de données sur Google Cloud
Earned août 6, 2023 EDT
Préparer des données pour les API de ML sur Google Cloud
Earned juil. 25, 2023 EDT
Créer un entrepôt de données avec BigQuery
Earned juil. 18, 2023 EDT
Créer des pipelines de données en batch sur Google Cloud
Earned juil. 3, 2023 EDT
Créer des lacs de données et des entrepôts de données sur Google Cloud
Earned juin 6, 2023 EDT