Приєднатися Увійти

Ming Huang

Учасник із 2021

Золота ліга

Кількість балів: 29600
Responsible AI: Applying AI Principles with Google Cloud - Yкраїнська Earned січ. 30, 2024 EST
Generative AI Fundamentals - Українська Earned січ. 30, 2024 EST
Introduction to Responsible AI - Українська Earned січ. 30, 2024 EST
Introduction to Large Language Models - Українська Earned січ. 30, 2024 EST
Introduction to Generative AI - Українська Earned січ. 30, 2024 EST
MLOps with Agent Platform: Manage Features Earned січ. 28, 2024 EST
Machine Learning Operations (MLOps): Getting Started Earned січ. 28, 2024 EST
DEPRECATED Build and Deploy Machine Learning Solutions on Vertex AI Earned січ. 27, 2024 EST
Підготовка даних для інтерфейсів API машинного навчання в Google Cloud Earned січ. 27, 2024 EST
Computer Vision Fundamentals with Google Cloud Earned січ. 25, 2024 EST
Production Machine Learning Systems Earned січ. 22, 2024 EST
Machine Learning in the Enterprise Earned січ. 20, 2024 EST
[DEPRECATED] Feature Engineering Earned січ. 18, 2024 EST
[Depricated] Build, Train and Deploy ML Models with Keras on Google Cloud Earned січ. 17, 2024 EST
Introduction to AI and Machine Learning on Google Cloud Earned січ. 17, 2024 EST
Launching into Machine Learning Earned січ. 14, 2024 EST
How Google Does Machine Learning Earned бер. 23, 2023 EDT
Google Cloud Big Data and Machine Learning Fundamentals - українська Earned бер. 16, 2023 EDT
[Deprecated] Data Science on Google Cloud: Machine Learning Earned бер. 6, 2023 EST
[DEPRECATED] Data Engineering Earned січ. 17, 2022 EST
Основи Google Cloud Earned жовт. 26, 2021 EDT

Що більше штучний інтелект і машинне навчання використовуються в корпоративних середовищах, то нагальнішою стає потреба розробити принципи відповідального ставлення до них. Однак говорити про принципи відповідального використання штучного інтелекту легше, ніж застосовувати їх на практиці. Цей курс допоможе вам дізнатись, як запровадити відповідальну роботу зі штучним інтелектом у вашій організації. У цьому курсі ви дізнаєтеся про підхід Google Cloud до відповідального використання ШІ, а також отримаєте практичні поради й набудете досвіду, який допоможе вам розробити власний підхід до цього завдання.

Докладніше

Щоб отримати кваліфікаційний значок, пройдіть курси "Introduction to Generative AI", "Introduction to Large Language Models" й "Introduction to Responsible AI". Пройшовши завершальний тест, ви підтвердите, що засвоїли основні поняття, які стосуються генеративного штучного інтелекту. Кваліфікаційний значок – це цифровий значок від платформи Google Cloud, який свідчить, що ви знаєтеся на продуктах і сервісах Google Cloud. Щоб опублікувати кваліфікаційний значок, зробіть свій профіль загальнодоступним, а також додайте значок у профіль у соціальних мережах.

Докладніше

Це ознайомлювальний курс мікронавчання, який має пояснити, що таке відповідальне використання штучного інтелекту, чому воно важливе і як компанія Google реалізує його у своїх продуктах. Крім того, у цьому курсі викладено 7 принципів Google щодо штучного інтелекту.

Докладніше

У цьому ознайомлювальному курсі мікронавчання ви дізнаєтеся, що таке великі мовні моделі, де вони використовуються і як підвищити їх ефективність коригуванням запитів. Він також охоплює інструменти Google, які допоможуть вам створювати власні додатки на основі генеративного штучного інтелекту.

Докладніше

Це ознайомлювальний курс мікронавчання, який має пояснити, що таке генеративний штучний інтелект, як він використовується й чим відрізняється від традиційних методів машинного навчання. Він також охоплює інструменти Google, які допоможуть вам створювати власні додатки на основі генеративного штучногоінтелекту.

Докладніше

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.

Докладніше

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.

Докладніше

Earn the intermediate skill badge by completing the Build and Deploy Machine Learning Solutions on Vertex AI skill badge course, where you learn how to use Google Cloud's Vertex AI platform, AutoML, and custom training services to train, evaluate, tune, explain, and deploy machine learning models.

Докладніше

Пройдіть вступний кваліфікаційний курс Підготовка даних для інтерфейсів API машинного навчання в Google Cloud, щоб продемонструвати свої навички щодо очистки даних за допомогою сервісу Dataprep by Trifacta, запуску конвеєрів даних у Dataflow, створення кластерів і запуску завдань Apache Spark у Managed Service for Apache Spark, а також виклику API машинного навчання, зокрема Cloud Natural Language API, Google Cloud Speech-to-Text API і Video Intelligence API.

Докладніше

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.

Докладніше

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.

Докладніше

This course takes a real-world approach to the ML Workflow through a case study. An ML team faces several ML business requirements and use cases. The team must understand the tools required for data management and governance and consider the best approach for data preprocessing. The team is presented with three options to build ML models for two use cases. The course explains why they would use AutoML, BigQuery ML, or custom training to achieve their objectives.

Докладніше

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.

Докладніше

This course covers building ML models with TensorFlow and Keras, improving the accuracy of ML models and writing ML models for scaled use.

Докладніше

This course introduces Google Cloud's AI and machine learning (ML) capabilities, with a focus on developing both generative and predictive AI projects. It explores the various technologies, products, and tools available throughout the data-to-AI lifecycle, empowering data scientists, AI developers, and ML engineers to enhance their expertise through interactive exercises.

Докладніше

The course begins with a discussion about data: how to improve data quality and perform exploratory data analysis. We describe Vertex AI AutoML and how to build, train, and deploy an ML model without writing a single line of code. You will understand the benefits of Big Query ML. We then discuss how to optimize a machine learning (ML) model and how generalization and sampling can help assess the quality of ML models for custom training.

Докладніше

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.

Докладніше

Під час курсу ви зможете ознайомитися з продуктами й сервісами Google Cloud для роботи з масивами даних і машинним навчанням, які підтримують життєвий цикл роботи з даними для тренування моделей штучного інтелекту. У курсі розглядаються процеси, проблеми й переваги створення конвеєру масиву даних і моделей машинного навчання з Vertex AI у Google Cloud.

Докладніше

This is the second of two courses of hands-on labs derived from the exercises from the book Data Science on Google Cloud Platform, 2nd Edition by Valliappa Lakshmanan, published by O'Reilly Media, Inc. In this second Quest, covering chapter 9 through the end of the book, you extend the skills practiced in the first Quest, and run full-fledged machine learning jobs with state-of-the-art tools and real-world data sets, all using Google Cloud tools and services.

Докладніше

This advanced-level quest is unique amongst the other catalog offerings. The labs have been curated to give IT professionals hands-on practice with topics and services that appear in the Google Cloud Certified Professional Data Engineer Certification. From Big Query, to Dataprep, to Cloud Composer, this quest is composed of specific labs that will put your Google Cloud data engineering knowledge to the test. Be aware that while practice with these labs will increase your skills and abilities, you will need other preparation, too. The exam is quite challenging and external studying, experience, and/or background in cloud data engineering is recommended. Looking for a hands on challenge lab to demonstrate your skills and validate your knowledge? On completing this quest, enroll in and finish the additional challenge lab at the end of the Engineer Data in the Google Cloud to receive an exclusive Google Cloud digital badge.

Докладніше

На цьому вступному курсі ви отримаєте практичний досвід роботи з основними інструментами й сервісами Google Cloud. Також вам доступні додаткові відео, які допоможуть краще зрозуміти контекст і закріпити знання щодо тем, розглянутих у практичних заняттях. Google Cloud "Основи" – це рекомендований початковий курс для тих, хто починає вивчати Google Cloud. Ви можете розпочати навчання, маючи мінімальні знання про хмарні технології або взагалі не маючи їх, і отримати практичний досвід, який зможете застосувати у своєму першому хмарному проєкті Google Cloud. "Основи Google Cloud" дають вичерпне уявленні про ключові функції платформи – від написання команд у Cloud Shell і розгортання першої віртуальної машини до запуску додатків на Kubernetes Engine і використання розподілу навантаження.

Докладніше