Join Sign in

Pablo Villegas

Member since 2023

Diamond League

63820 points
Google Cloud 運算的基本概念：Google Cloud 基礎架構 Earned Aug 30, 2025 EDT
Work Meets Play: Faster Finance Earned Aug 30, 2025 EDT
Level 3: Terraform Essentials Earned Aug 21, 2025 EDT
Google Cloud 運算的基本概念：Cloud 運算基礎知識 Earned Aug 20, 2025 EDT
在 Agent Platform 設計提示 Earned Jul 21, 2025 EDT
負責任的 AI 技術：透過 Google Cloud 採用 AI 開發原則 Earned Jul 20, 2025 EDT
負責任的 AI 技術簡介 Earned Jul 20, 2025 EDT
生成式 AI 代理：實現組織轉型 Earned Jun 13, 2025 EDT
生成式 AI 應用程式：徹底改變工作方式 Earned Apr 26, 2025 EDT
生成式 AI：掌握幕後技術與環境 Earned Apr 22, 2025 EDT
生成式 AI：瞭解基礎概念 Earned Apr 20, 2025 EDT
生成式 AI：不只是聊天機器人 Earned Apr 19, 2025 EDT
Google Cloud 中的資料工程簡介 Earned Apr 17, 2025 EDT
Build a Certification Study Guide: PDE Exam Prep Earned Mar 22, 2025 EDT
[DEPRECATED] 使用 Gemini：資安工程師 Earned Jan 12, 2025 EST
[DEPRECATED] 使用 Gemini：雲端架構師 Earned Jan 12, 2025 EST
[DEPRECATED] 使用 Gemini：應用程式開發人員 Earned Jan 12, 2025 EST
使用 BigQuery ML 為預測模型進行資料工程 Earned Nov 6, 2024 EST
運用 BigQuery ML 建立機器學習模型 Earned Nov 3, 2024 EST
Managing Cloud Infrastructure with Terraform Earned Oct 27, 2024 EDT
開發人員的負責任 AI 技術：隱私權與安全性 Earned Oct 24, 2024 EDT
Build a Certification Study Guide: PMLE Earned Oct 22, 2024 EDT
機器學習運作 (MLOps) 與 Vertex AI：模型評估 Earned Oct 22, 2024 EDT
Working with Notebooks in Vertex AI Earned Oct 21, 2024 EDT
開發人員的負責任 AI 技術：可解釋性與透明度 Earned Oct 18, 2024 EDT
開發人員的負責任 AI 技術：公平性與偏誤 Earned Oct 18, 2024 EDT
在 Google Cloud 打造生成式 AI 應用程式 Earned Oct 17, 2024 EDT
生成式 AI 適用的機器學習運作 (MLOps) Earned Oct 14, 2024 EDT
透過 Vertex AI 建構及部署機器學習解決方案 Earned Oct 14, 2024 EDT
大型語言模型簡介 Earned Oct 10, 2024 EDT
生成式 AI 簡介 Earned Oct 10, 2024 EDT
ML Pipelines on Google Cloud Earned Oct 10, 2024 EDT
在 Google Cloud 為機器學習 API 準備資料 Earned Aug 20, 2024 EDT
MLOps with Agent Platform: Manage Features Earned Jul 24, 2024 EDT
Recommendation Systems on Google Cloud Earned Jun 25, 2024 EDT
Computer Vision Fundamentals with Google Cloud Earned Jun 13, 2024 EDT
Machine Learning Operations (MLOps): Getting Started Earned Jun 5, 2024 EDT
Production Machine Learning Systems Earned May 22, 2024 EDT
Machine Learning in the Enterprise Earned May 14, 2024 EDT
[DEPRECATED] Feature Engineering Earned May 6, 2024 EDT
[Depricated] Build, Train and Deploy ML Models with Keras on Google Cloud Earned Apr 29, 2024 EDT
Natural Language Processing on Google Cloud Earned Nov 9, 2023 EST
Launching into Machine Learning Earned Oct 30, 2023 EDT
Google Cloud 的 AI 和機器學習服務簡介 Earned Oct 20, 2023 EDT

Google Cloud 運算基本概念課程，適合幾乎沒有雲端運算背景或經驗的學員。這些課程會概略介紹雲端基礎知識、大數據和機器學習的核心概念，以及 Google Cloud 的角色和定位。完成這一系列課程後，學員將能闡述這些概念並展示實用技能。學員需依序完成課程： 1. Google Cloud 運算的基本概念：Cloud 運算基礎知識 2. Google Cloud 運算的基本概念：Google Cloud 基礎架構 3. Google Cloud 運算的基本概念：Google Cloud 的網路與安全性 4. Google Cloud 運算的基本概念：Google Cloud 中的資料、機器學習和 AI

Learn more

At L&T Finance, speed matters. By moving to Google Workspace, their teams cut loan approvals from hours to just minutes—helping millions of people in rural India get faster access to funds. With Gmail, Calendar, Docs, and Meet, 14,500 employees now stay connected and work together more easily, no matter where they are. This challenge takes inspiration from that journey. You’ll get hands-on with the same tools—starting with Gmail and Calendar, learning how to manage users and apps in the Admin console, creating simple apps with AppSheet, and exploring cloud performance with Kubernetes and monitoring tools. It’s all about learning skills that make work easier, faster, and more impactful.

Learn more

Used by over 70% of DevOps teams globally, Terraform has become the go-to tool for provisioning and managing infrastructure as code. In this hands-on challenge, you'll use Terraform to automate the setup of Google Cloud resources—Firestore, Compute Engine, Cloud Storage, VPCs, and more. You'll also manage secure configurations with Service Accounts, Firewall Rules, and Secret Manager. Build a strong foundation for scalable, repeatable deployments and earn an exclusive Google Cloud Credential!.

Learn more

Google Cloud 運算基本概念課程，適合幾乎沒有雲端運算背景或經驗的學員。這些課程會說明雲端運算基本知識、大數據和機器學習的核心概念，以及 Google Cloud 的角色和定位。完成這一系列課程後，學員將能夠闡述這些概念並展示實用技能。學員應依以下順序完成課程： 1. Google Cloud 運算的基本概念：Cloud 運算基礎知識 2. Google Cloud 運算的基本概念：Google Cloud 基礎架構 3. Google Cloud 運算的基本概念：Google Cloud 的網路與安全性 4. Google Cloud 運算的基本概念：Google Cloud 中的資料、機器學習和 AI 第一門課會概略說明雲端運算、Google Cloud 的使用方式，以及不同的運算選項。

Learn more

完成 在 Agent Platform 設計提示 技能徽章入門課程，即可證明您具備下列技能： 在 Agent Platform 設計提示、分析圖片，以及運用多模態模型生成內容。瞭解如何建立有效的提示、引導生成式 AI 輸出內容， 以及將 Gemini 模型用於實際的行銷情境。

Learn more

隨著企業持續擴大使用人工智慧和機器學習，以負責任的方式發展相關技術也日益重要。對許多企業來說，談論負責任的 AI 技術可能不難，如何付諸實行才是真正的挑戰。如要瞭解如何在機構中導入負責任的 AI 技術，本課程絕對能助您一臂之力。 您可以從中瞭解 Google Cloud 目前採取的策略、最佳做法和經驗談，協助貴機構奠定良好基礎，實踐負責任的 AI 技術。

Learn more

這個入門微學習課程主要介紹「負責任的 AI 技術」和其重要性，以及 Google 如何在自家產品中導入這項技術。本課程也會說明 Google 的 7 個 AI 開發原則。

Learn more

「生成式 AI 代理：實現組織轉型」是 Gen AI Leader 學習路徑的第五堂也是最後一堂課程。本課程將探討組織如何運用自訂生成式 AI 代理，解決特定的業務難題。您將動手練習建構基本的生成式 AI 代理，同時探索這類代理的各種元件，例如模型、推論迴圈和工具。

Learn more

「生成式 AI 應用程式：徹底改變工作方式」是 Generative AI Leader 學習路徑的第四門課程。本課程將介紹 Google 的生成式 AI 應用程式,例如 Gemini for Workspace 和NotebookLM,也會引導您瞭解各種概念,像是建立基準、檢索增強生成、建構有效的提示詞,以及打造自動化工作流程等。

Learn more

「生成式 AI：掌握幕後技術與環境」是 Gen AI Leader 學習路徑的第三門課程。生成式 AI 正在改變我們的工作方式，以及與周遭世界的互動模式。身為領導者，您要如何駕馭其強大的功能，創造實際的業務成果？在本課程中，您將認識建構生成式 AI 解決方案時的各個層面、Google Cloud 產品與服務，以及選擇解決方案時應考量的因素。

Learn more

生成式 AI：瞭解基礎概念是 Gen AI Leader 學習路徑的第二門課程。在本課程中，您將瞭解 AI、機器學習和生成式 AI 的差異，以及各種類型的資料如何協助生成式 AI 解決業務難題，進而掌握生成式 AI 的基礎概念。您還能深入瞭解 Google Cloud 因應基礎模型限制的策略，以及開發、部署安全且負責任的 AI 技術時面臨的主要挑戰。

Learn more

「生成式 AI：不只是聊天機器人」是 Gen AI Leader 學習路徑的第一門課程，沒有先修條件。本課程旨在帶領您超越對聊天機器人的基本認識，探索生成式 AI 能為貴組織帶來的真正潛力。您將瞭解基礎模型和提示工程等概念，這些都是發揮生成式 AI 威力的關鍵。本課程也會引導您思考重要事項，協助您為貴組織制定成功的生成式 AI 策略。

Learn more

在本課程中，您會學到 Google Cloud 上的資料工程、資料工程師的角色與職責，以及這些內容如何對應至 Google Cloud 提供的服務。您也將瞭解處理資料工程難題的許多方法。

Learn more

Learn how to use Gemini Notebook to create a personalized study guide for the Professional Data Engineer certification exam. You'll review Gemini Notebook features, create a notebook in Gemini Notebook, and learn how to use a study guide to practice for a certification exam.

Learn more

本課程介紹的 Gemini 是採用生成式 AI 技術的協作工具，可協助您透過 Google Cloud 保護雲端環境和資源。您將學到如何將工作負載範例部署到 Google Cloud 中的環境，以及運用 Gemini 找出並修復安全性設定錯誤。在實作研究室中，您也會體驗到 Gemini 如何改良雲端安全防護機制。 Duet AI 已更名為 Gemini，這是我們的新一代模型。

Learn more

本課程介紹的 Gemini 是採用生成式 AI 技術的協作工具，可協助管理員在 Google Cloud 佈建基礎架構。您將瞭解如何透過提示讓 Gemini 解釋基礎架構、部署 GKE 叢集，以及更新既有的基礎架構。在實作研究室中，您也會體驗到 Gemini 如何改良 GKE 的部署工作流程。 Duet AI 已更名為 Gemini，這是我們的新一代模型。

Learn more

本課程介紹的 Gemini 是採用生成式 AI 技術的協作工具，可協助開發人員透過 Google Cloud 建構應用程式。您將瞭解如何透過提示讓 Gemini 為您解釋程式碼內容、推薦 Google Cloud 服務，以及生成應用程式的程式碼。在實作研究室中，您也會體驗到 Gemini 如何改良應用程式的開發工作流程。 Duet AI 已更名為 Gemini，這是我們的新一代模型。

Learn more

完成使用 BigQuery ML 為預測模型進行資料工程技能徽章中階課程， 即可證明自己具備下列知識與技能：運用 Dataprep by Trifacta 建構連至 BigQuery 的資料轉換 pipeline； 使用 Cloud Storage、Dataflow 和 BigQuery 建構「擷取、轉換及載入」(ETL) 工作負載， 以及使用 BigQuery ML 建構機器學習模型。

Learn more

完成「運用 BigQuery ML 建立機器學習模型」技能徽章中階課程，即可證明您具備下列技能： 可使用 BigQuery ML 建立及評估機器學習模型，並根據資料進行預測。

Learn more

In this Quest, the experienced user of Google Cloud will learn how to describe and launch cloud resources with Terraform, an open source tool that codifies APIs into declarative configuration files that can be shared amongst team members, treated as code, edited, reviewed, and versioned. In these nine hands-on labs, you will work with example templates and understand how to launch a range of configurations, from simple servers, through full load-balanced applications.

Learn more

本課程涵蓋「AI 隱私權」和「AI 安全性」這兩個重要主題。我們將介紹實用的方法和工具，協助您運用 Google Cloud 產品和開放原始碼工具，導入 AI 隱私權和安全性的建議做法。

Learn more

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.

Learn more

本課程針對評估生成式和預測式 AI 模型，向機器學習從業人員介紹相關的基礎工具、技術和最佳做法。模型評估是機器學習的重要領域，確保這類系統能在正式環境中提供可靠、準確且成效優異的結果。 學員將深入瞭解多種評估指標與方法，以及適用於不同模型類型和工作的應用方式。此外，也會特別介紹生成式 AI 模型帶來的獨特難題，並提供有效的應對策略。透過 Google Cloud Vertex AI 平台，學員將瞭解在模型挑選、最佳化和持續監控方面，該如何導入穩健的評估程序。

Learn more

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.

Learn more

本課程旨在說明 AI 的可解釋性和透明度概念、探討 AI 透明度對開發人員和工程師的重要性。課程中也會介紹實務方法和工具，有助於讓資料和 AI 模型透明且可解釋。

Learn more

本課程旨在說明負責任 AI 技術的概念和 AI 開發原則，同時介紹各項技術，在實務上找出公平性和偏誤，減少 AI/機器學習做法上的偏誤。我們也將探討實用方法和工具，透過 Google Cloud 產品和開放原始碼工具，導入負責任 AI 技術的最佳做法。

Learn more

大型語言模型 (LLM) 誕生之後，生成式 AI 應用程式帶來的嶄新使用者體驗，可說是幾乎前所未有。身為應用程式開發人員，您要如何在 Google Cloud，運用生成式 AI 建立出色的互動式應用程式？ 本課程將帶您瞭解生成式 AI 應用程式，以及如何使用提示設計和檢索增強生成 (RAG)，透過 LLM 建構強大的應用程式。我們也會介紹可用於正式環境的生成式 AI 應用程式架構。您將建構採用 LLM 和 RAG 的對話應用程式。

Learn more

本課程旨在提供必要的知識和工具，協助您探索機器學習運作團隊在部署及管理生成式 AI 模型時面臨的獨特挑戰，並瞭解 Vertex AI 如何幫 AI 團隊簡化機器學習運作程序，打造成效非凡的生成式 AI 專案。

Learn more

完成 透過 Vertex AI 建構及部署機器學習解決方案 課程，即可瞭解如何使用 Google Cloud 的 Vertex AI 平台、AutoML 和自訂訓練服務， 訓練、評估、調整、解釋及部署機器學習模型。 這個技能徽章課程適合專業數據資料學家和機器學習 工程師，完成即可取得中階技能徽章。技能 徽章是 Google Cloud 核發的獨家數位徽章， 用於肯定您在 Google Cloud 產品和服務方面的精通程度， 代表您已通過測驗，能在互動式實作環境應用相關知識。完成這個技能徽章課程 和結業評量挑戰實驗室，就能獲得數位徽章， 並與親友分享。

Learn more

這是一堂入門級的微學習課程，旨在探討大型語言模型 (LLM) 的定義和用途，並說明如何調整提示來提高 LLM 成效。此外，也會介紹多項 Google 工具，協助您自行開發生成式 AI 應用程式。

Learn more

這個入門微學習課程主要說明生成式 AI 的定義和使用方式，以及此 AI 與傳統機器學習方法的差異。本課程也會介紹各項 Google 工具，協助您開發自己的生成式 AI 應用程式。

Learn more

In this course, you will be learning from ML Engineers and Trainers who work with the state-of-the-art development of ML pipelines here at Google Cloud. The first few modules will cover about TensorFlow Extended (or TFX), which is Google’s production machine learning platform based on TensorFlow for management of ML pipelines and metadata. You will learn about pipeline components and pipeline orchestration with TFX. You will also learn how you can automate your pipeline through continuous integration and continuous deployment, and how to manage ML metadata. Then we will change focus to discuss how we can automate and reuse ML pipelines across multiple ML frameworks such as tensorflow, pytorch, scikit learn, and xgboost. You will also learn how to use another tool on Google Cloud, Cloud Composer, to orchestrate your continuous training pipelines. And finally, we will go over how to use MLflow for managing the complete machine learning life cycle.

Learn more

完成 在 Google Cloud 為機器學習 API 準備資料 技能徽章入門課程，即可證明您具備下列技能： 使用 Dataprep by Trifacta 清理資料、在 Dataflow 執行資料管道、在 Managed Service for Apache Spark 建立叢集和執行 Apache Spark 工作，以及呼叫機器學習 API，包含 Cloud Natural Language API、Google Cloud Speech-to-Text API 和 Video Intelligence API。

Learn more

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.

Learn more

In this course, you apply your knowledge of classification models and embeddings to build a ML pipeline that functions as a recommendation engine. This is the fifth and final course of the Advanced Machine Learning on Google Cloud series.

Learn more

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.

Learn more

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.

Learn more

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.

Learn more

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.

Learn more

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.

Learn more

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

Learn more

This course introduces the products and solutions to solve NLP problems on Google Cloud. Additionally, it explores the processes, techniques, and tools to develop an NLP project with neural networks by using Vertex AI and TensorFlow.

Learn more

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.

Learn more

本課程介紹 Google Cloud 的 AI 和機器學習 (ML) 功能，著重說明如何開發生成式和預測式 AI 專案。我們也會探討「從資料到 AI」整個生命週期都適用的技術、產品和工具，並透過互動式練習，協助資料科學家、AI 開發人員和機器學習工程師精進專業知識。

Learn more