가입 로그인

Paweł Czekała

회원 가입일: 2022

브론즈 리그

1600포인트
DEPRECATED Explore Machine Learning Models with Explainable AI Earned 3월 7, 2022 EST
Computer Vision Fundamentals with Google Cloud Earned 3월 3, 2022 EST
프로덕션 머신러닝 시스템 Earned 3월 1, 2022 EST
기업의 머신러닝 Earned 2월 28, 2022 EST
[DEPRECATED] 특성 추출 Earned 2월 27, 2022 EST
Google Cloud에서 Keras를 사용해 ML 모델을 빌드, 학습, 배포하기 Earned 2월 24, 2022 EST
Launching into Machine Learning - 한국어 Earned 2월 22, 2022 EST
How Google Does Machine Learning - 한국어 Earned 2월 21, 2022 EST
Google Cloud Big Data and Machine Learning Fundamentals - 한국어 Earned 2월 18, 2022 EST
Google Cloud에서 DevOps 워크플로 구현 Earned 2월 16, 2022 EST
Measure Site Reliability using Cloud Operations Suite Earned 2월 16, 2022 EST
Google Cloud Observability로 모니터링 및 로깅 Earned 2월 15, 2022 EST
Google Cloud 앱 개발 환경 설정 Earned 2월 14, 2022 EST
Google Cloud의 로깅 및 모니터링 Earned 2월 14, 2022 EST
신뢰할 수 있는 Google Cloud 인프라: 설계 및 프로세스 Earned 2월 12, 2022 EST
Google SRE 문화 개발 Earned 2월 10, 2022 EST
Google Cloud 기초: 핵심 인프라 Earned 2월 10, 2022 EST

Earn a skill badge by completing the Explore Machine Learning Models with Explainable AI quest, where you will learn how to do the following using Explainable AI: build and deploy a model to an AI platform for serving (prediction), use the What-If Tool with an image recognition model, identify bias in mortgage data using the What-If Tool, and compare models using the What-If Tool to identify potential bias. A skill badge is an exclusive digital badge issued by Google Cloud in recognition of your proficiency with Google Cloud products and services and tests your ability to apply your knowledge in an interactive hands-on environment. Complete this skill badge quest and the final assessment challenge lab to receive a skill badge that you can share with your network.

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

중급 Google Cloud에서 DevOps 워크플로 구현 기술 배지 과정을 완료하여 Git 저장소 만들기 및 관리, Google Kubernetes Engine(GKE)에서 배포 실행, 관리, 확장, 그리고 컨테이너 이미지 빌드 및 GKE로의 배포를 자동화하는 CI/CD 파이프라인 설계 등에 관한 기술을 입증하세요.

자세히 알아보기

Earn a skill badge by completing the Measure Site Reliability using Cloud Operations Suite quest, where you will learn how to set Service Level Indicators (SLIs), Service Level Objectives (SLOs), and Service Level Agreements (SLAs); create logs-based metrics to capture to capture specific issues and address them; define alerts to notify Site Reliability Engineers of issues in production environment, and troubleshoot application issues with Cloud Trace, Debugger, Profiler, Monitoring and Logging. A skill badge is an exclusive digital badge issued by Google Cloud in recognition of your proficiency with Google Cloud products and services and tests your ability to apply your knowledge in an interactive hands-on environment. Complete this skill badge quest, and the final assessment challenge lab, to receive a skill badge that you can share with your network.

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

Google Cloud의 로깅, 모니터링, 모니터링 가능성에 관한 2부 과정에 오신 것을 환영합니다. Google Cloud의 핵심 운영 도구는 크게 두 가지 카테고리로 나뉩니다. 운영 중심 구성요소와 애플리케이션 성능 관리 도구입니다. 이 과정에서는 Google Cloud의 로깅 및 모니터링에서는 로깅, 모니터링, 서비스 모니터링을 포함한 운영 중심 구성요소를 다룹니다. 이 과정을 수강한 후에는 Google Cloud의 모니터링 가능성(2부)을 완료하여 사용 가능한 애플리케이션 성능 관리 도구에 관해 알아보시기 바랍니다.

자세히 알아보기

이 과정에서는 학습자가 검증된 설계 패턴을 사용하여 Google Cloud에서 고도로 안정적이고 효율적인 솔루션을 빌드하는 데 필요한 역량을 기를 수 있습니다. 'Google Compute Engine으로 설계하기' 또는 'Google Kubernetes Engine으로 설계하기' 과정에서 이어지는 내용이며, 학습자가 두 과정에서 다루는 기술을 실무에서 사용해 본 경험이 있다는 전제로 진행됩니다. 학습자는 프레젠테이션, 설계 활동, 실무형 실습을 통해 고도로 안정적이고 안전하고 비용 효율적이며 가용성이 높은 Google Cloud 배포를 설계하는 데 필요한 비즈니스 요구사항과 기술 요구사항을 정의하고 이 사이의 적절한 균형을 유지하는 방법을 익힐 수 있습니다.

자세히 알아보기

많은 IT 조직에서 민첩성을 추구하는 개발자와 안정성에 초점을 맞추는 운영자 간에 인센티브가 일치하지 않습니다. 사이트 안정성 엔지니어링(SRE)은 Google이 개발과 운영 간의 인센티브를 조정하고 미션 크리티컬 프로덕션 지원을 수행하는 방식입니다. SRE 문화 및 기술 관행을 도입하면 비즈니스와 IT 간의 협업을 개선하는 데 도움이 될 수 있습니다. 이 과정에서는 Google SRE의 주요 관행과 SRE 조직 도입의 성공에서 중요한 IT 및 비즈니스 리더의 역할을 소개합니다.

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