Udemy [Udemy] Сертифицированный профессиональный инженер по машинному обучению Google (2023)

[Trinity]

[Udemy] Сертифицированный профессиональный инженер по машинному обучению Google (2023)

Превратите бизнес-задачи в варианты использования ML
Выберите оптимальное решение (ML или не ML, индивидуальное или готовое)
Определите, как выходные данные модели должны решить бизнес-проблему
Определите источники данных (доступные или идеальные)
Определите проблемы ML (тип проблемы, результат прогнозов, форматы ввода и вывода)
Определить критерии успеха бизнеса (согласование показателей машинного обучения, ключевые результаты)
Выявление рисков для решений ML (оценка влияния на бизнес, готовность решения ML, готовность данных)
Создавайте надежные, масштабируемые и доступные решения машинного обучения
Выберите подходящие сервисы и компоненты машинного обучения
Проектирование исследования/анализа данных, разработка функций, ведение журнала/управление, автоматизация, оркестровка, мониторинг и стратегии обслуживания
Оцените варианты аппаратного обеспечения Google Cloud (ЦП, ГП, ТПУ, пограничные устройства)
Разрабатывайте архитектуры, отвечающие требованиям безопасности в разных секторах
Исследуйте данные (визуализация, статистические основы, качество данных, ограничения данных)
Создание конвейеров данных (организация и оптимизация наборов данных, обработка отсутствующих данных и выбросов, предотвращение утечки данных)
Создание входных функций (обеспечение согласованности данных перед обработкой, кодирование структурированных данных, управление выбором функций, обработка дисбаланса классов, использование преобразований)
Построение моделей (выбор структуры, интерпретируемость, передача обучения, увеличение данных, частично контролируемое обучение, управление переоснащением/недооснащением)
Обучение моделей (прием различных типов файлов, управление средами обучения, настройка гиперпараметров, отслеживание показателей обучения)
Тестирование моделей (проведение модульных тестов, сравнение производительности моделей, использование Vertex AI для пояснения модели)
Обучение и обслуживание масштабной модели (распределенное обучение, служба прогнозирования масштаба)
Разработка и внедрение конвейеров обучения (определение компонентов, управление структурой оркестровки, разработка гибридных или мультиоблачных стратегий, использование компонентов TFX)
Внедрение конвейеров обслуживания (управление параметрами обслуживания, проверка целевой производительности, настройка расписаний)
Отслеживание и аудит метаданных (организация и отслеживание экспериментов, управление версиями модели/набора данных, понимание происхождения модели/набора данных)
Мониторинг и устранение неполадок в решениях машинного обучения (измерение производительности, регистрация стратегий, установка показателей непрерывной оценки)
Настройте производительность для обучения и обслуживания в рабочей среде (оптимизируйте конвейер ввода, используйте методы упрощения)
Для кого этот курс:
Всем, кто хочет получить сертификат Google Cloud Certified Professional Machine Learning Engineer.
Требования
Некоторый предыдущий опыт работы с Google Cloud и машинным обучением поможет. Кроме того, если вы уже сертифицированы Google Professional Data Engineer, это очень поможет вам.

Материал на английском языке

Подробнее:

Для просмотра ссылок необходимо выполнить Вход или Регистрация

Скачать:

Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.