Kyriacos Papayiannis
Jest członkiem od 2022
Liga brązowa
3468 pkt.
Jest członkiem od 2022
Im szerzej wykorzystuje się w firmach sztuczną inteligencję i systemy uczące się, tym większej wagi nabiera odpowiedzialne podejście do opracowywania tych technologii. Wielu organizacjom trudniej jest jednak wprowadzić zasady odpowiedzialnej AI w praktyce niż tylko o tym rozmawiać. To szkolenie jest przeznaczone dla osób, które chcą się dowiedzieć, jak wdrożyć odpowiedzialną AI w swojej organizacji. W jego trakcie dowiesz się, jak robimy to w Google Cloud, oraz poznasz sprawdzone metody i wnioski z naszych działań w tym zakresie. Pomoże Ci to opracować własne podejście do odpowiedzialnej AI.
Complete the introductory Prompt Design in Agent Platform skill badge to demonstrate skills in the following: prompt engineering, image analysis, and multimodal generative techniques, within Agent Platform. Discover how to craft effective prompts, guide generative AI output, and apply Gemini models to real-world marketing scenarios. Explore other content in the Gemini Enterprise Agent Ready (GEAR) program.
Celem tego szybkiego szkolenia dla początkujących jest wyjaśnienie, czym jest odpowiedzialna AI i dlaczego jest ważna, oraz przedstawienie, jak Google wprowadza ją w swoich usługach. Szkolenie zawiera także wprowadzenie do siedmiu zasad Google dotyczących sztucznej inteligencji.
To szybkie szkolenie dla początkujących wyjaśnia, czym są duże modele językowe (LLM) oraz jakie są ich zastosowania. Przedstawia również możliwości zwiększenia ich wydajności przez dostrajanie przy użyciu promptów oraz narzędzia Google, które pomogą Ci tworzyć własne aplikacje korzystające z generatywnej AI.
Celem tego szybkiego szkolenia dla początkujących jest wyjaśnienie, czym jest generatywna AI oraz jakie są jej zastosowania. Szkolenie przedstawia również różnice pomiędzy tą technologią a tradycyjnymi systemami uczącymi się, a także narzędzia Google, które pomogą Ci tworzyć własne aplikacje korzystające z generatywnej AI.
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.
This course explores what ML is and what problems it can solve. The course also discusses best practices for implementing machine learning. You’re introduced to Vertex AI, a unified platform to quickly build, train, and deploy AutoML machine learning models. The course discusses the five phases of converting a candidate use case to be driven by machine learning, and why it’s important to not skip them. The course ends with recognizing the biases that ML can amplify and how to recognize them.
Ukończ szkolenie wprowadzające Przygotowywanie danych do użycia z interfejsami ML w Google Cloud, aby zdobyć odznakę potwierdzającą zdobycie następujących umiejętności: czyszczenie danych przy użyciu usługi Dataprep firmy Trifacta, uruchamianie potoków danych w Dataflow, tworzenie klastrów i uruchamianie zadań Apache Spark w Managed Service for Apache Spark, a także wywoływanie interfejsów API dotyczących uczenia maszynowego, w tym Cloud Natural Language API, Google Cloud Speech-to-Text API oraz Video Intelligence API.
This course introduces the Google Cloud big data and machine learning products and services that support the data-to-AI lifecycle. It explores the processes, challenges, and benefits of building a big data pipeline and machine learning models with Vertex AI on Google Cloud.