Ce cours est le premier sur les cinq que compte le certificat Google Cloud Data Analytics. Vous définirez le domaine de l'analyse de données cloud, et décrirez les rôles et responsabilités d'un analyste de données cloud dans l'acquisition, le stockage, le traitement et la visualisation des données. Vous étudierez l'architecture des outils Google Cloud tels que BigQuery et Cloud Storage, et verrez comment les utiliser efficacement pour structurer et présenter les données, ainsi que pour générer des rapports.
Ce cours présente les fonctionnalités d'IA et de machine learning (ML) de Google Cloud, en mettant l'accent sur le développement de projets d'IA prédictive et générative. Il explore les différents outils, produits et technologies disponibles tout au long du cycle de vie des données à l'IA, et permet aux data scientists, aux développeurs d'IA et aux ingénieurs en ML d'améliorer leur expertise grâce à des exercices interactifs.
This is the first of five courses in the Google Cloud Data Analytics Certificate. In this course, you’ll define the field of cloud data analysis and describe roles and responsibilities of a cloud data analyst as they relate to data acquisition, storage, processing, and visualization. You’ll explore the architecture of Google Cloud-based tools, like BigQuery and Cloud Storage, and how they are used to effectively structure, present, and report data.
Les cours Google Cloud Computing Foundations sont destinés aux personnes ayant peu ou pas de connaissances ni d'expérience dans le cloud computing. Ils offrent un aperçu des concepts de base du cloud, du big data et du machine learning, et explique où et comment Google Cloud s'y intègre. À la fin de cette série de cours, les participants seront à même de définir ces concepts et auront acquis des compétences pratiques. Les cours doivent être suivis dans cet ordre : 1. Google Cloud Computing Foundations : principes de base du cloud computing 2. Google Cloud Computing Foundations : infrastructure dans Google Cloud 3. Google Cloud Computing Foundations : mise en réseau et sécurité dans Google Cloud 4. Google Cloud Computing Foundations : données, ML et IA dans Google Cloud Ce troisième cours aborde les outils d'automatisation et de gestion du cloud, ainsi que la création de réseaux sécurisés.
Obtenez le badge de compétence de niveau débutant "Créer des applications d'IA concrètes avec Gemini et Imagen" pour démontrer vos compétences dans les domaines suivants : reconnaissance d'image, traitement du langage naturel, génération d'images à l'aide des puissants modèles Gemini et Imagen de Google, et déploiement d'applications sur la plate-forme Vertex AI.
Terminez le cours d'introduction Conception de requêtes dans Agent Platform 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 Agent Platform. Découvrez comment élaborer des requêtes efficaces, guider les résultats de l'IA générative et appliquer des modèles Gemini à des scénarios marketing concrets.
Découvrez comment utiliser Gemini Notebook afin de créer un guide de préparation personnalisé pour l'examen de certification Professional Machine Learning Engineer (PMLE). Vous allez passer en revue les fonctionnalités de Gemini Notebook, créer un notebook et utiliser le guide de préparation pour vous entraîner en vue d'un examen de certification.
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.
Ce cours offre un aperçu de l'architecture encodeur/décodeur, une architecture de machine learning performante souvent utilisée pour les tâches "seq2seq", telles que la traduction automatique, la synthèse de texte et les questions-réponses. Vous découvrirez quels sont les principaux composants de l'architecture encodeur/décodeur, et comment entraîner et exécuter ces modèles. Dans le tutoriel d'atelier correspondant, vous utiliserez TensorFlow pour coder une implémentation simple de cette architecture afin de générer un poème en partant de zéro.
Ce cours présente les modèles de diffusion, une famille de modèles de machine learning qui s'est récemment révélée prometteuse dans le domaine de la génération d'images. Les modèles de diffusion trouvent leur origine dans la physique, et plus précisément dans la thermodynamique. Au cours des dernières années, ils ont gagné en popularité dans la recherche et l'industrie. Ils sont à la base de nombreux modèles et outils Google Cloud avancés de génération d'images. Ce cours vous présente les bases théoriques des modèles de diffusion, et vous explique comment les entraîner et les déployer sur Vertex AI.
Dans ce cours, vous allez apprendre à créer un modèle de sous-titrage d'images à l'aide du deep learning. Vous découvrirez les différents composants de ce type de modèle, comme l'encodeur et le décodeur, et comment l'entraîner et l'évaluer. À la fin du cours, vous serez en mesure de créer vos propres modèles de sous-titrage d'images et de les utiliser pour générer des sous-titres pour des images.
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.
Ce cours présente l'architecture Transformer et le modèle BERT (Bidirectional Encoder Representations from Transformers). Vous découvrirez quels sont les principaux composants de l'architecture Transformer, tels que le mécanisme d'auto-attention, et comment ils sont utilisés pour créer un modèle BERT. Vous verrez également les différentes tâches pour lesquelles le modèle BERT peut être utilisé, comme la classification de texte, les questions-réponses et l'inférence en langage naturel. Ce cours dure environ 45 minutes.
Ce cours présente le mécanisme d'attention, une technique efficace permettant aux réseaux de neurones de se concentrer sur des parties spécifiques d'une séquence d'entrée. Vous découvrirez comment fonctionne l'attention et comment l'utiliser pour améliorer les performances de diverses tâches de machine learning, dont la traduction automatique, la synthèse de texte et les réponses aux questions.
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.
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.