Machine Learning on Google Cloud Eğitimi

"Machine Learning on Google Cloud" eğitiminden en iyi şekilde yararlanmak için katılımcıların aşağıdaki özelliklere sahip olması gerekir:

• Temel makine öğrenimi kavramlarına biraz aşinalık
• Bir betik dili, tercihen Python ile ilgili temel yeterlilik

• Makine öğrenimi modeli, makine öğrenimi hattı ve Üretken Yapay Zeka projesi oluşturmaya yönelik teknolojileri, ürünleri ve araçları açıklayın.
• AutoML ve BigQuery ML'nin ne zaman kullanılacağını anlayın.
• Vertex AI tarafından yönetilen veri kümeleri oluşturun.
• Vertex AI Özellik Mağazasına özellikler ekleyin.
• Analytics Hub'ı, Dataplex'i ve Data Catalog'u açıklayın.
• Model performansının nasıl iyileştirileceğini açıklayın.
• Vertex AI Workbench kullanıcı tarafından yönetilen not defteri oluşturun, özel bir eğitim işi oluşturun ve bunu bir Docker konteyneri kullanarak dağıtın.
• Toplu ve çevrimiçi tahminleri ve model izlemeyi açıklayın.
• Veri kalitesini nasıl iyileştireceğinizi ve verilerinizi nasıl keşfedeceğinizi açıklayın.
• Denetimli öğrenme modelleri oluşturun ve eğitin.
• Kayıp fonksiyonlarını ve performans ölçümlerini kullanarak modelleri optimize edin ve değerlendirin.
• Tekrarlanabilir ve ölçeklenebilir eğitim, değerlendirme ve test veri kümeleri oluşturun.
• TensorFlow veya Keras kullanarak ML modellerini uygulayın.
• Özellik mühendisliğini kullanmanın faydalarını anlayın.
• Vertex AI Model İzleme ve Vertex AI Pipelines'ı açıklayın.

Google Cloud'da Yapay Zeka ve Makine Öğrenimine Giriş

• Google Cloud'daki AI/ML çerçevesini tanıyın.
• Google Cloud altyapısının ana bileşenlerini tanımlayın.
• Google Cloud'daki verileri ve makine öğrenimi ürünlerini ve bunların veriden yapay zekaya yaşam döngüsünü nasıl desteklediğini tanımlayın.
• Yapay zekaya veri taşımak için BigQueryML ile bir makine öğrenimi modeli oluşturun.
• Google Cloud'da makine öğrenimi modeli oluşturmak için farklı seçenekler tanımlayın.
• Önceden eğitilmiş API'lerin, AutoML'nin ve özel eğitimin temel özelliklerini ve uygulanabilir durumlarını öğrenin.
• Metni analiz etmek için Natural Language API'yi kullanın.
• ML modeli oluşturma iş akışını tanımlayın.
• Google Cloud'da MLOps'u ve iş akışı otomasyonunu açıklayın.
• Vertex AI'da AutoML'yi kullanarak uçtan uca bir ML modeli oluşturun.
• Üretken yapay zeka ve büyük dil modellerini tanımlayın.
• Yapay zeka geliştirmede üretken yapay zeka yeteneklerini kullanın.
• Yapay zeka çözümlerini ve yerleşik üretken yapay zeka özelliklerini tanıyın.
• Uygulamalı Laboratuvarlar
• Modül Sınavları
• Modül Okumaları

Makine Öğrenimine Geçiş

• Veri kalitesinin nasıl artırılacağını açıklayın.
• Keşifsel veri analizi gerçekleştirin.
• Denetimli öğrenme modelleri oluşturun ve eğitin.
• AutoML'yi ve tek bir satır kod yazmadan bir ML modelinin nasıl oluşturulacağını, eğitileceğini ve dağıtılacağını açıklayın.
• BigQuery ML'yi ve avantajlarını açıklayın.
• Kayıp fonksiyonlarını ve performans ölçümlerini kullanarak modelleri optimize edin ve değerlendirin.
• Makine öğreniminde ortaya çıkan yaygın sorunları azaltın.
• Tekrarlanabilir ve ölçeklenebilir eğitim, değerlendirme ve test veri kümeleri oluşturun.
• Uygulamalı Laboratuvarlar
• Modül Sınavları
• Modül Okumaları

Google Cloud'da TensorFlow

• TensorFlow ve Keras makine öğrenimi modelleri oluşturun.
• TensorFlow ana bileşenlerini açıklayın.
• Verileri ve büyük veri kümelerini yönetmek için tf.data kitaplığını kullanın.
• Tf.keras ön işleme katmanlarını kullanan bir ML modeli oluşturun.
• Basit ve gelişmiş model oluşturmak için Keras Sıralı ve İşlevsel API'lerini kullanın.
• Vertex AI Eğitim Hizmeti ile makine öğrenimi modellerini uygun ölçekte eğitin, dağıtın ve üretime geçirin.
• Uygulamalı Laboratuvarlar
• Modül Sınavları
• Modül Okumaları

Özellik Mühendisliği

• Vertex AI Özellik Mağazasını açıklayın.
• İyi bir özelliğin gerekli temel yönlerini karşılaştırın.
• Görüntü verileri, metin verileri ve sıra verileriyle çalışmak için tf.keras.preprocessing yardımcı programlarını kullanın.
• BigQuery ML, Keras ve TensorFlow'u kullanarak özellik mühendisliği gerçekleştirin.
• Uygulamalı Laboratuvarlar
• Modül Sınavları
• Modül Okumaları

İşletmelerde Makine Öğrenimi

• Veri yönetimi ve idaresi için gerekli araçları anlayın.
• Veri ön işleme için en iyi yaklaşımı açıklayın: Dataflow ve Dataprep'e genel bir bakış sağlamaktan, ön işleme görevleri için SQL kullanmaya kadar.
• AutoML, BigQuery ML ve özel eğitimin nasıl farklılaştığını ve belirli bir çerçevenin ne zaman kullanılması gerektiğini açıklayın.
• Model performansını iyileştirmek için Vertex AI Vizier'ı kullanarak hiper parametre ayarlamasını açıklayın.
• Tahmin ve model izlemeyi ve Vertex AI'nin makine öğrenimi modellerini yönetmek için nasıl kullanılabileceğini açıklayın.
• Vertex AI Pipelines'ın avantajlarını açıklayın.
• Model dağıtımı ve sunumu, model izleme, Vertex AI Pipelines ve yapı organizasyonu için en iyi uygulamaları açıklayın.
• Uygulamalı Laboratuvarlar
• Modül Sınavları
• Modül Okumaları