Machine Learning sur Google Cloud

• Analystes de données, Data Scientists et ingénieurs de données débutants en apprentissage automatique,
• Personnes souhaitant s'exposer au ML et utiliser Vertex AI, AutoML, BigQuery ML, Vertex AI Feature Store, Vertex AI Workbench, Dataflow, Vertex AI Vizier pour le réglage des hyperparamètres, ainsi queTensorFlow/Keras

A l'issue de la formation, les participants seront capables de :

• Décrire les technologies, produits et outils pour construire un modèle ML, un pipeline ML et un projet d'IA générative.
• Comprendre quand utiliser AutoML et BigQuery ML.
• Créer des ensembles de données gérés par Vertex AI.
• Ajouter des caractéristiques au Vertex AI Feature Store.
• Décrire Analytics Hub, Dataplex et Data Catalog.
• Décrire comment améliorer les performances du modèle.
• Créer un notebook géré par l'utilisateur Vertex AI Workbench, construire une tâche d'entraînement personnalisée et la déployer à l'aide d'un conteneur Docker.
• Décrire les prédictions par lots et en ligne et la surveillance des modèles.
• Décrire comment améliorer la qualité des données et explorer vos données.
• Construire et entraîner des modèles d'apprentissage supervisé.
• Optimiser et évaluer les modèles à l'aide de fonctions de perte et de métriques de performance.
• Créer des ensembles de données d'entraînement, d'évaluation et de test répétables et évolutifs.
• Implémenter des modèles ML en utilisant TensorFlow ou Keras.
• Comprendre les avantages de l'ingénierie des caractéristiques.
• Expliquer la surveillance des modèles Vertex AI et les pipelines Vertex AI.

Introduction à l'IA et au machine learning sur Google Cloud

• Reconnaître le framework IA/ML sur Google Cloud.
• Identifier les principaux composants de l'infrastructure Google Cloud.
• Définir les produits de données et de ML sur Google Cloud et comment ils soutiennent le cycle de vie des données à l'IA.
• Construire un modèle ML avec BigQueryML pour apporter des données à l'IA.
• Définir différentes options pour construire un modèle ML sur Google Cloud.
• Reconnaître les principales caractéristiques et les situations applicables des API pré-entraînées, d'AutoML et de l'entraînement personnalisé.
• Utiliser l'API Natural Language pour analyser du texte.
• Définir le flux de travail de la construction d'un modèle ML.
• Décrire MLOps et l'automatisation du flux de travail sur Google Cloud.
• Construire un modèle ML de bout en bout en utilisant AutoML sur Vertex AI.
• Définir l'IA générative et les grands modèles de langage.
• Utiliser les capacités d'IA générative dans le développement de l'IA.
• Reconnaître les solutions d'IA et les fonctionnalités d'IA générative intégrées.

Se lancer dans le Machine Learning

• Décrire comment améliorer la qualité des données.
• Effectuer une analyse exploratoire des données.
• Construire et entraîner des modèles d'apprentissage supervisé.
• Décrire AutoML et comment construire, entraîner et déployer un modèle ML sans écrire une seule ligne de code.
• Décrire BigQuery ML et ses avantages.
• Optimiser et évaluer les modèles à l'aide de fonctions de perte et de métriques de performance.
• Atténuer les problèmes courants qui surviennent dans l'apprentissage automatique.
• Créer des ensembles de données d'entraînement, d'évaluation et de test répétables et évolutifs.

TensorFlow sur Google Cloud

• Créer des modèles d'apprentissage automatique TensorFlow et Keras.
• Décrire les principaux composants de TensorFlow.
• Utiliser la bibliothèque tf.data pour manipuler des données et de grands ensembles de données.
• Construire un modèle ML qui utilise des couches de prétraitement tf.keras.
• Utiliser les API Keras Sequential et Functional pour la création de modèles simples et avancés.
• Entraîner, déployer et mettre en production des modèles ML à grande échelle avec le service d'entraînement Vertex AI.

Ingénierie des caractéristiques

•  Décrire le Vertex AI Feature Store.
• Comparer les aspects clés requis d'une bonne caractéristique.
• Utiliser les utilitaires de prétraitement tf.keras pour travailler avec des données d'image, de texte et de séquence.
• Effectuer l'ingénierie des caractéristiques en utilisant BigQuery ML, Keras et TensorFlow.

L’apprentissage automatique (Machine Learning) en entreprise

• Comprendre les outils requis pour la gestion et la gouvernance des données.
• Décrire la meilleure approche pour le prétraitement des données : de la présentation de Dataflow et Dataprep à l'utilisation de SQL pour les tâches de prétraitement.
• Expliquer en quoi AutoML, BigQuery ML et l'entraînement personnalisé diffèrent et quand utiliser un framework particulier.
• Décrire le réglage des hyperparamètres à l'aide de Vertex AI Vizier pour améliorer les performances du modèle.
• Expliquer la prédiction et la surveillance des modèles et comment Vertex AI peut être utilisé pour gérer les modèles ML.
• Décrire les avantages des pipelines Vertex AI.
• Décrire les meilleures pratiques pour le déploiement et le service de modèles, la surveillance des modèles, les pipelines Vertex AI et l'organisation des artefacts.

• Etre familiarisé avec les concepts de base de l’apprentissage automatique.
• Maîtrise de base d’un langage de script - Python de préférence.

• Vertex AI pour les Praticiens du Machine Learning
• Développement d'applications avec les LLM sur Google Cloud

• Support de cours officiel fourni aux participants