Gabung Login

Murali Krishnan Karlapalem

Menjadi anggota sejak 2020

Bronze League

23255 poin
Serverless Data Processing with Dataflow: Foundations Earned Nov 15, 2024 EST
Smart Analytics, Machine Learning, and AI on Google Cloud Earned Nov 15, 2024 EST
Building Resilient Streaming Analytics Systems on Google Cloud Earned Sep 2, 2024 EDT
Modernizing Data Lakes and Data Warehouses with Google Cloud Earned Jul 9, 2024 EDT
Preparing for your Professional Data Engineer Journey Earned Jun 25, 2024 EDT
Building Batch Data Pipelines on Google Cloud Earned Mar 28, 2024 EDT
Enterprise Database Migration Earned Mar 18, 2024 EDT
Pengantar Vertex AI Studio Earned Jul 31, 2023 EDT
Membuat Model Pemberian Teks pada Gambar Earned Jul 31, 2023 EDT
Model Transformer dan Model BERT Earned Jul 31, 2023 EDT
Arsitektur Encoder-Decoder Earned Jul 30, 2023 EDT
Mekanisme Atensi Earned Jul 30, 2023 EDT
Generative AI Explorer : Vertex AI Earned Jul 30, 2023 EDT
Pengantar Pembuatan Gambar Earned Jul 29, 2023 EDT
Responsible AI: Menerapkan Prinsip AI dengan Google Cloud Earned Jul 29, 2023 EDT
Generative AI Fundamentals Earned Jul 28, 2023 EDT
Pengantar Responsible AI Earned Jul 28, 2023 EDT
Pengantar Model Bahasa Besar Earned Jul 28, 2023 EDT
Pengantar AI Generatif Earned Jul 28, 2023 EDT

This course is part 1 of a 3-course series on Serverless Data Processing with Dataflow. In this first course, we start with a refresher of what Apache Beam is and its relationship with Dataflow. Next, we talk about the Apache Beam vision and the benefits of the Beam Portability framework. The Beam Portability framework achieves the vision that a developer can use their favorite programming language with their preferred execution backend. We then show you how Dataflow allows you to separate compute and storage while saving money, and how identity, access, and management tools interact with your Dataflow pipelines. Lastly, we look at how to implement the right security model for your use case on Dataflow.

Pelajari lebih lanjut

Incorporating machine learning into data pipelines increases the ability to extract insights from data. This course covers ways machine learning can be included in data pipelines on Google Cloud. For little to no customization, this course covers AutoML. For more tailored machine learning capabilities, this course introduces Notebooks and BigQuery machine learning (BigQuery ML). Also, this course covers how to productionalize machine learning solutions by using Vertex AI.

Pelajari lebih lanjut

Processing streaming data is becoming increasingly popular as streaming enables businesses to get real-time metrics on business operations. This course covers how to build streaming data pipelines on Google Cloud. Pub/Sub is described for handling incoming streaming data. The course also covers how to apply aggregations and transformations to streaming data using Dataflow, and how to store processed records to BigQuery or Bigtable for analysis. Learners get hands-on experience building streaming data pipeline components on Google Cloud by using QwikLabs.

Pelajari lebih lanjut

The two key components of any data pipeline are data lakes and warehouses. This course highlights use-cases for each type of storage and dives into the available data lake and warehouse solutions on Google Cloud in technical detail. Also, this course describes the role of a data engineer, the benefits of a successful data pipeline to business operations, and examines why data engineering should be done in a cloud environment. This is the first course of the Data Engineering on Google Cloud series. After completing this course, enroll in the Building Batch Data Pipelines on Google Cloud course.

Pelajari lebih lanjut

This course helps learners create a study plan for the PDE (Professional Data Engineer) certification exam. Learners explore the breadth and scope of the domains covered in the exam. Learners assess their exam readiness and create their individual study plan.

Pelajari lebih lanjut

Data pipelines typically fall under one of the Extract and Load (EL), Extract, Load and Transform (ELT) or Extract, Transform and Load (ETL) paradigms. This course describes which paradigm should be used and when for batch data. Furthermore, this course covers several technologies on Google Cloud for data transformation including BigQuery, executing Spark on Dataproc, pipeline graphs in Cloud Data Fusion and serverless data processing with Dataflow. Learners get hands-on experience building data pipeline components on Google Cloud using Qwiklabs.

Pelajari lebih lanjut

This course is intended to give architects, engineers, and developers the skills required to help enterprise customers architect, plan, execute, and test database migration projects. Through a combination of presentations, demos, and hands-on labs participants move databases to Google Cloud while taking advantage of various services. This course covers how to move on-premises, enterprise databases like SQL Server to Google Cloud (Compute Engine and Cloud SQL) and Oracle to Google Cloud bare metal.

Pelajari lebih lanjut

Kursus ini memperkenalkan Vertex AI Studio, sebuah alat untuk berinteraksi dengan model AI generatif, membuat prototipe ide bisnis, dan meluncurkannya ke dalam produksi. Melalui kasus penggunaan yang imersif, pelajaran menarik, dan lab interaktif, Anda akan menjelajahi siklus proses dari perintah ke produk dan mempelajari cara memanfaatkan Vertex AI Studio untuk aplikasi multimodal Gemini, desain perintah, rekayasa perintah, dan tuning model. Tujuan kursus ini adalah agar Anda dapat memanfaatkan potensi AI generatif dalam project Anda dengan Vertex AI Studio.

Pelajari lebih lanjut

Kursus ini menjelaskan cara membuat model keterangan gambar menggunakan deep learning. Anda akan belajar tentang berbagai komponen model keterangan gambar, seperti encoder dan decoder, serta cara melatih dan mengevaluasi model. Pada akhir kursus ini, Anda akan dapat membuat model keterangan gambar Anda sendiri dan menggunakannya untuk menghasilkan teks bagi gambar.

Pelajari lebih lanjut

Kursus ini memperkenalkan Anda pada arsitektur Transformer dan model Representasi Encoder Dua Arah dari Transformer (Bidirectional Encoder Representations from Transformers atau BERT). Anda akan belajar tentang komponen utama arsitektur Transformer, seperti mekanisme self-attention, dan cara penggunaannya untuk membangun model BERT. Anda juga akan belajar tentang berbagai tugas yang dapat memanfaatkan BERT, seperti klasifikasi teks, menjawab pertanyaan, dan inferensi natural language. Kursus ini diperkirakan memakan waktu sekitar 45 menit untuk menyelesaikannya.

Pelajari lebih lanjut

Kursus ini memberi Anda sinopsis tentang arsitektur encoder-decoder, yang merupakan arsitektur machine learning yang canggih dan umum untuk tugas urutan-ke-urutan seperti terjemahan mesin, ringkasan teks, dan tanya jawab. Anda akan belajar tentang komponen utama arsitektur encoder-decoder serta cara melatih dan menyalurkan model ini. Dalam panduan lab yang sesuai, Anda akan membuat kode pada penerapan simpel arsitektur encoder-decoder di TensorFlow untuk pembuatan puisi dari awal.

Pelajari lebih lanjut

Dalam kursus ini Anda akan diperkenalkan dengan mekanisme atensi, yakni teknik efektif yang membuat jaringan neural berfokus pada bagian tertentu urutan input. Anda akan mempelajari cara kerja atensi, cara penggunaannya untuk meningkatkan performa berbagai tugas machine learning, termasuk terjemahan mesin, peringkasan teks, dan menjawab pertanyaan.

Pelajari lebih lanjut

This content is deprecated. Please see the latest version of the course, here.

Pelajari lebih lanjut

Kursus ini memperkenalkan model difusi, yaitu kelompok model machine learning yang belakangan ini menunjukkan potensinya dalam ranah pembuatan gambar. Model difusi mengambil inspirasi dari fisika, khususnya termodinamika. Dalam beberapa tahun terakhir, model difusi menjadi populer baik di dunia industri maupun penelitian. Model difusi mendasari banyak alat dan model pembuatan gambar yang canggih di Google Cloud. Kursus ini memperkenalkan Anda pada teori yang melandasi model difusi dan cara melatih serta men-deploy-nya di Vertex AI.

Pelajari lebih lanjut

Seiring semakin meningkatnya penggunaan Kecerdasan Buatan dan Machine Learning di kalangan perusahaan, proses membangunnya secara bertanggung jawab juga menjadi semakin penting. Membicarakan responsible AI mungkin lebih mudah bagi banyak orang daripada mempraktikkannya. Jika Anda tertarik untuk mempelajari cara mengoperasionalkan responsible AI dalam organisasi Anda, kursus ini cocok untuk Anda. Dalam kursus ini, Anda akan mempelajari bagaimana Google Cloud mengoperasionalkan responsible AI, dengan praktik terbaik dan pelajaran yang dapat dipetik. Hal ini berguna sebagai framework bagi Anda untuk membangun pendekatan responsible AI.

Pelajari lebih lanjut

Earn a skill badge by passing the final quiz, you'll demonstrate your understanding of foundational concepts in generative AI. A skill badge is a digital badge issued by Google Cloud in recognition of your knowledge of Google Cloud products and services. Share your skill badge by making your profile public and adding it to your social media profile.

Pelajari lebih lanjut

Ini adalah kursus pengantar pembelajaran mikro yang dimaksudkan untuk menjelaskan responsible AI, alasan pentingnya responsible AI, dan cara Google mengimplementasikan responsible AI dalam produknya. Kursus ini juga memperkenalkan 7 prinsip AI Google.

Pelajari lebih lanjut

Ini adalah kursus pengantar pembelajaran mikro yang membahas definisi model bahasa besar (LLM), kasus penggunaannya, dan cara menggunakan prompt tuning untuk meningkatkan performa LLM. Kursus ini juga membahas beberapa alat Google yang dapat membantu Anda mengembangkan aplikasi AI Generatif Anda sendiri.

Pelajari lebih lanjut

Ini adalah kursus pengantar pembelajaran mikro yang bertujuan untuk mendefinisikan AI Generatif, cara penggunaannya, dan perbedaannya dari metode machine learning konvensional. Kursus ini juga mencakup Alat-alat Google yang dapat membantu Anda mengembangkan aplikasi AI Generatif Anda sendiri.

Pelajari lebih lanjut