Fernando Meneses
Mitglied seit 2025
Diamond League
40773 Punkte
Auf generativer KI basierende Anwendungen in Google Cloud entwickeln
Earned Aug 20, 2025 EDT
ML-Lösungen mit Vertex AI erstellen und bereitstellen
Earned Aug 19, 2025 EDT
Machine Learning Operations (MLOps) mit Vertex AI: Modellbewertung
Earned Aug 19, 2025 EDT
Einführung in Large Language Models
Earned Aug 16, 2025 EDT
Einführung in generative KI
Earned Aug 16, 2025 EDT
MLOps with Agent Platform: Manage Features
Earned Aug 16, 2025 EDT
Machine Learning Operations (MLOps): Getting Started
Earned Aug 15, 2025 EDT
Production Machine Learning Systems
Earned Aug 14, 2025 EDT
[Depricated] Build, Train and Deploy ML Models with Keras on Google Cloud
Earned Aug 4, 2025 EDT
[DEPRECATED] Feature Engineering
Earned Jul 30, 2025 EDT
Daten für die Vorhersagemodellierung mit BigQuery ML vorbereiten
Earned Jul 29, 2025 EDT
ML-Modelle mit BigQuery ML erstellen
Earned Jul 28, 2025 EDT
Working with Notebooks in Vertex AI
Earned Jul 28, 2025 EDT
Daten für ML-APIs in Google Cloud vorbereiten
Earned Jul 27, 2025 EDT
Einführung in KI und maschinelles Lernen in Google Cloud
Earned Jul 26, 2025 EDT
Build a Certification Study Guide: PMLE
Earned Jul 23, 2025 EDT
Das Gelernte umsetzen: Vorbereitung auf die Arbeit als Cloud Data Analyst
Earned Jul 22, 2025 EDT
Die Möglichkeiten des Storytelling: Daten in der Cloud visualisieren
Earned Jul 21, 2025 EDT
Datentransformation in der Cloud
Earned Jul 16, 2025 EDT
Datenmanagement und ‑speicherung in der Cloud
Earned Jul 15, 2025 EDT
Einführung in die Datenanalyse in Google Cloud
Earned Jul 11, 2025 EDT
Machine Learning Operations (MLOps) für generative KI
Earned Mai 10, 2025 EDT
Verantwortungsbewusste Anwendung von KI für Entwickler: Datenschutz und Sicherheit
Earned Mai 10, 2025 EDT
Verantwortungsbewusste Anwendung von KI für Entwickler: Interpretierbarkeit und Transparenz
Earned Mai 6, 2025 EDT
Verantwortungsbewusste Anwendung von KI für Entwickler: Fairness und Bias
Earned Mai 5, 2025 EDT
Rich-Dokumente mit Gemini Multimodal und Multimodal RAG untersuchen
Earned Mai 4, 2025 EDT
Vektorsuche und Einbettungen
Earned Mai 2, 2025 EDT
Einführung in Vertex AI Studio
Earned Apr 30, 2025 EDT
Modelle zur Bilduntertitelung erstellen
Earned Apr 27, 2025 EDT
Transformer-Modelle und BERT-Modell
Earned Apr 27, 2025 EDT
Encoder-Decoder-Architektur
Earned Apr 27, 2025 EDT
Aufmerksamkeitsmechanismus
Earned Apr 26, 2025 EDT
Einstieg in die Bildgenerierung
Earned Apr 26, 2025 EDT
Mit auf generativer KI basierenden Anwendungen, kurz GenAI-Anwendungen, werden Nutzerinteraktionen möglich, die es vor Large Language Models (LLMs) kaum gab. Wie können Sie als Anwendungsentwickler mit generativer KI interaktive, leistungsstarke Anwendungen in Google Cloud erstellen?
In diesem Kurs lernen Sie etwas über Anwendungen, die auf generativer KI basieren, und erfahren, wie Sie Prompt-Design und Retrieval-Augmented Generation (RAG) nutzen können, um mit LLMs leistungsstarke Anwendungen zu entwickeln. Wir stellen Ihnen eine produktionsreife Architektur für auf generativer KI basierende Anwendungen vor und Sie erstellen eine Chat-Anwendung auf der Basis von LLMs und RAG.
Weitere Informationen
Mit dem Skill-Logo zum Kurs ML-Lösungen mit Vertex AI erstellen und bereitstellen weisen Sie fortgeschrittene Kenntnisse nach. Sie lernen in diesem Kurs, wie Sie die Vertex AI-Plattform von Google Cloud, AutoML und benutzerdefinierte Trainingsdienste nutzen, um Machine-Learning-Modelle zu trainieren, zu bewerten, abzustimmen, zu erklären und bereitzustellen. Dieser Kurs richtet sich an professionelle Data Scientists und Machine Learning Engineers. Ein Skill-Logo ist ein exklusives digitales Abzeichen, das von Google Cloud ausgestellt wird und Ihre Kenntnisse über Produkte und Dienste von Google Cloud belegt. In diesem Zusammenhang wird auch die Fähigkeit bewertet, Ihr Wissen in einer interaktiven praxisnahen Umgebung anzuwenden. Absolvieren Sie diese Aufgabenreihe und die Challenge-Lab-Prüfung, um ein digitales Abzeichen zu erhalten, das Sie in Ihrem Netzwerk posten können.
Weitere Informationen
Dieser Kurs gibt Machine-Learning-Anwendern alle grundlegenden Tools, Techniken und Best Practices zur Bewertung von generativen und prädiktiven KI-Modellen an die Hand. Die Modellbewertung ist ein wichtiger Schritt, bei dem geprüft wird, ob ML-Systeme in der Produktion zuverlässige, genaue und leistungsstarke Ergebnisse erzielen.
Die Teilnehmer erwerben fundierte Kenntnisse über verschiedene Bewertungsmesswerte und -methoden und lernen, sie auf unterschiedliche Modelltypen und Aufgaben anzuwenden. Im Kurs wird schwerpunktmäßig auf die besonderen Herausforderungen generativer KI-Modelle eingegangen und es werden Strategien vorgestellt, wie sich diese effektiv bewältigen lassen. Die Teilnehmer lernen auf der Plattform Vertex AI von Google Cloud, robuste Bewertungsprozesse zur Auswahl, Optimierung und kontinuierlichen Überwachung des Modells zu implementieren.
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
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.
Learners will get hands-on practice using Agent Platform Feature Store's streaming ingestion at the SDK layer.
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
This course covers how to implement the various flavors of production ML systems— static, dynamic, and continuous training; static and dynamic inference; and batch and online processing. You delve into TensorFlow abstraction levels, the various options for doing distributed training, and how to write distributed training models with custom estimators.
This is the second course of the Advanced Machine Learning on Google Cloud series. After completing this course, enroll in the Image Understanding with TensorFlow on Google Cloud course.
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 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
Mit dem Skill-Logo zum Kurs Daten für die Vorhersagemodellierung mit BigQuery ML vorbereiten weisen Sie fortgeschrittene Kenntnisse in folgenden Bereichen nach: Erstellen von Pipelines für die Datentransformation nach BigQuery mithilfe von Dataprep von Trifacta; Extrahieren, Transformieren und Laden (ETL) von Workflows mit Cloud Storage, Dataflow und BigQuery; und Erstellen von Machine-Learning-Modellen mithilfe von BigQuery ML.
Weitere Informationen
Mit dem Skill-Logo zum Kurs ML-Modelle mit BigQuery ML erstellen weisen Sie fortgeschrittene Kenntnisse in folgendem Bereich nach: Erstellen und Bewerten von Machine-Learning-Modellen mit BigQuery ML, um Datenvorhersagen zu treffen.
Weitere Informationen
This course is an introduction to Vertex AI Notebooks, which are Jupyter notebook-based environments that provide a unified platform for the entire machine learning workflow, from data preparation to model deployment and monitoring. The course covers the following topics: (1) The different types of Vertex AI Notebooks and their features and (2) How to create and manage Vertex AI Notebooks.
Weitere Informationen
Mit dem Skill-Logo zum Kurs Daten für ML-APIs in Google Cloud vorbereiten weisen Sie Grundkenntnisse in folgenden Bereichen nach: Bereinigen von Daten mit Dataprep von Trifacta, Ausführen von Datenpipelines in Dataflow, Erstellen von Clustern und Ausführen von Apache Spark-Jobs in Managed Service for Apache Spark sowie Aufrufen von ML-APIs, einschließlich der Cloud Natural Language API, Cloud Speech-to-Text API und Video Intelligence API.
Weitere Informationen
In diesem Kurs lernen Sie die KI- und ML-Funktionen von Google Cloud kennen. Der Schwerpunkt liegt dabei auf der Entwicklung von Projekten mit generativer und prädiktiver KI. Dabei werden die verschiedenen Technologien, Produkte und Tools vorgestellt, die während des gesamten Data-to-AI-Lebenszyklus verfügbar sind. Data Scientists, Fachkräfte für KI-Entwicklung und ML-Engineers können ihr Fachwissen durch interaktive Übungen erweitern.
Weitere Informationen
Learn how to use Gemini Notebook to create a personalized study guide for the Professional Machine Learning Engineer (PMLE) certification exam. You'll review Gemini Notebook features, create a notebook, and use the study guide to practice for a certification exam.
Weitere Informationen
Dies ist der fünfte von fünf Kursen des Google Cloud Data Analytics Certificate. In diesem Kurs werden Sie die Grundlagen und Fähigkeiten aus den Kursen 1 bis 4 in einem praktischen Abschlussprojekt kombinieren und anwenden, das sich auf den gesamten Datenlebenszyklus konzentriert. Sie üben die Verwendung cloudbasierter Tools zum Erfassen, Speichern, Verarbeiten, Analysieren und Visualisieren von Daten und lernen, wie Sie Datenstatistiken effektiv kommunizieren. Am Ende des Kurses schließen Sie ein Projekt ab, das Ihre Fähigkeit demonstriert, Daten aus verschiedenen Quellen effektiv zu strukturieren, Lösungen für unterschiedliche Stakeholder zu präsentieren und Datenerkenntnisse mithilfe cloudbasierter Software zu visualisieren. Außerdem aktualisieren Sie Ihren Lebenslauf und üben Vorstellungsgesprächstechniken, um sich auf Bewerbungen und Vorstellungsgespräche vorzubereiten.
Weitere Informationen
Dies ist der vierte von fünf Kursen des Google Cloud Data Analytics Certificate. In diesem Kurs geht es um die fünf wichtigsten Phasen der Datenvisualisierung in der Cloud: Storytelling, Planung, Datenexploration, Erstellung von Visualisierungen und Datenaustausch. Außerdem lernen Teilnehmer, wie sie mit UI/UX-Kenntnissen wirkungsvolle, cloudnative Visualisierungen erstellen und mit cloudnativen Datenvisualisierungstools Datasets untersuchen, Berichte erstellen und Dashboards entwickeln, die Entscheidungen unterstützen und Zusammenarbeit fördern.
Weitere Informationen
Dies ist der dritte von fünf Kursen des Google Cloud Data Analytics Certificate. In diesem Kurs erhalten Sie zuerst einen Überblick über den Datenlebenszyklus von der Datenerhebung bis zu den daraus gewonnenen Erkenntnissen. Anschließend lernen Sie, wie Sie mit SQL Rohdaten in ein nutzbares Format umwandeln. Als Nächstes erfahren Sie, wie Sie mit einer Datenpipeline große Datenmengen transformieren. Zum Schluss lernen Sie, wie Sie Transformationsstrategien auf echte Datasets anwenden, um geschäftliche Anforderungen zu erfüllen.
Weitere Informationen
Dies ist der zweite von fünf Kursen des Google Cloud Data Analytics Certificate. In diesem Kurs wird dargelegt, wie Daten strukturiert und organisiert werden. Sie lernen in praktischen Übungen die Data-Lakehouse-Architektur und Cloud-Komponenten wie BigQuery, Google Cloud Storage und DataProc kennen, um große Datasets effizient zu speichern, zu analysieren und zu verarbeiten.
Weitere Informationen
Dies ist der erste von fünf Kursen des Google Cloud Data Analytics Certificate. In diesem Kurs definieren Sie den Bereich der Cloud-Datenanalyse und beschreiben die Rollen und Verantwortlichkeiten von Cloud Data Analysts in Bezug auf Datenakquisition, ‑speicherung, ‑verarbeitung und ‑visualisierung. Sie lernen die Architektur cloudbasierter Tools von Google wie BigQuery und Cloud Storage kennen und erfahren, wie sie Daten effektiv strukturieren, präsentieren und Berichte erstellen.
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
In diesem Kurs werden wichtige Themen zu Datenschutz und Sicherheit beim Einsatz von künstlicher Intelligenz vorgestellt. Dabei lernen Sie, wie Sie mit Google Cloud-Produkten und Open-Source-Tools empfohlene Vorgehensweisen im Zusammenhang mit Datenschutz und Sicherheit beim Einsatz von KI umsetzen.
Weitere Informationen
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
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
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 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
