Infrastructure fondamentale Google Cloud : principes de base
Earned avr. 15, 2023 EDT
Concepts fondamentaux de Google Cloud : infrastructure de base
Earned avr. 11, 2023 EDT
Traitement des données sans serveur avec Dataflow : principes de base
Earned fév. 27, 2023 EST
Smart Analytics, Machine Learning, and AI on Google Cloud - Français
Earned fév. 27, 2023 EST
Concevoir des systèmes d'analyse de flux résilients sur Google Cloud
Earned fév. 25, 2023 EST
Moderniser des lacs de données et des entrepôts de données avec Google Cloud
Earned jan. 25, 2023 EST
Google Cloud Big Data and Machine Learning Fundamentals - Français
Earned nov. 15, 2022 EST
Ce cours présente les outils et les bonnes pratiques MLOps pour déployer, évaluer, surveiller et exploiter des systèmes de ML en production sur Google Cloud. Le MLOps est une discipline axée sur le déploiement, le test, la surveillance et l'automatisation des systèmes de ML en production. Les ingénieurs en machine learning utilisent des outils pour améliorer et évaluer en permanence les modèles déployés. Ils collaborent avec des data scientists (ou peuvent occuper ce poste) qui développent des modèles permettant de déployer de manière rapide et rigoureuse les solutions de machine learning les plus performantes.
En savoir plus
Ce cours présente une approche pratique du workflow de ML avec une étude de cas dans laquelle une équipe est confrontée à plusieurs exigences métier et cas d'utilisation de ML. Cette équipe doit comprendre quels outils sont nécessaires pour gérer et gouverner les données, et trouver la meilleure approche pour les prétraiter.
On présente à cette équipe trois options de création de modèles de ML pour deux cas d'utilisation spécifiques. Ce cours explique pourquoi l'équipe tire parti des avantages d'AutoML, de BigQuery ML ou de l'entraînement personnalisé pour atteindre ses objectifs.
En savoir plus
Ce cours présente les avantages liés à l'utilisation de Vertex AI Feature Store, ainsi que la manière d'améliorer la précision des modèles de ML et de déterminer les colonnes de données présentant les caractéristiques les plus utiles. Ce cours inclut également du contenu et des ateliers portant sur l'ingénierie des caractéristiques à l'aide de BigQuery ML, Keras et TensorFlow.
En savoir plus
Ce cours porte sur la création de modèles de ML à l'aide de TensorFlow et Keras, l'amélioration de la précision des modèles de ML et l'écriture de modèles de ML pour une utilisation évolutive.
En savoir plus
Le cours commence par une discussion sur les données : vous découvrirez comment améliorer leur qualité et effectuer des analyses exploratoires. Ensuite, nous vous présenterons Vertex AI AutoML et vous expliquerons comment créer, entraîner et déployer un modèle de machine learning (ML) sans écrire une ligne de code. Vous découvrirez également les avantages de BigQuery ML. Enfin, nous verrons comment optimiser un modèle de ML, et en quoi la généralisation ainsi que l'échantillonnage peuvent vous aider à évaluer la qualité des modèles de ML destinés à un entraînement personnalisé.
En savoir plus
Ce cours présente les solutions d'IA et de machine learning (ML) de Google Cloud permettant de développer des projets d'IA prédictive et générative. Il décrit les technologies, produits et outils disponibles tout au long du cycle de vie des données à l'IA, en englobant les éléments de base, le développement et les solutions d'IA. Son but est d'aider les data scientists, les développeurs d'IA et les ingénieurs en ML à améliorer leurs compétences et connaissances par le biais d'expériences d'apprentissage captivantes et d'exercices pratiques.
En savoir plus
Quelles sont les bonnes pratiques pour implémenter le machine learning sur Google Cloud ? En quoi consiste la plate-forme Vertex AI et comment pouvez-vous l'utiliser pour créer, entraîner et déployer rapidement des modèles de machine learning AutoML sans écrire une seule ligne de code ? Qu'est-ce que le machine learning et quels types de problèmes permet-il de résoudre ?
Google aborde le machine learning d'une façon particulière, qui consiste à fournir une plate-forme unifiée pour les ensembles de données gérés, ainsi qu'un magasin de caractéristiques et un moyen de créer, d'entraîner et de déployer des modèles de machine learning sans écrire une seule ligne de code. Il s'agit également de permettre aux utilisateurs d'étiqueter les données et de créer des notebooks Workbench à l'aide de frameworks tels que TensorFlow, Scikit Learn, Pytorch et R. Avec notre plate-forme Vertex AI, il est également possible d'entraîner des modèles personnalisés, de créer des pipelines de composants, …
En savoir plus
Le cours "Concevoir une architecture avec Google Kubernetes Engine : charges de travail" vous fera découvrir de manière très complète le développement d'applications cloud natives. Tout au long de votre formation, vous étudierez les opérations Kubernetes, la gestion des déploiements, la mise en réseau GKE et le stockage persistant.
Il s'agit du premier cours de la série "Concevoir une architecture avec Google Kubernetes Engine". Après l'avoir terminé, inscrivez-vous au cours "Concevoir une architecture avec Google Kubernetes Engine : production".
En savoir plus
Dans ce cours, vous découvrirez la sécurité dans Kubernetes et Google Kubernetes Engine (GKE) (journaux et surveillance), ainsi que l'utilisation des services de stockage et de bases de données gérés Google Cloud à partir de GKE.
Il s'agit du deuxième cours de la série "Concevoir une architecture avec Google Kubernetes Engine". Après l'avoir terminé, inscrivez-vous aux cours "Infrastructure Google Cloud fiable: conception et processus" ou "Hybrid Cloud Infrastructure Foundations with Anthos".
En savoir plus
Dans le cours "Concevoir une architecture avec Google Kubernetes Engine : principes de bases," nous allons vous présenter l'organisation et les principes de Google Cloud. Nous vous apprendrons ensuite à créer et gérer des conteneurs de logiciels, puis nous vous ferons découvrir l'architecture de Kubernetes.
En savoir plus
Bienvenue dans le cours "Premiers pas avec Google Kubernetes Engine". Si vous vous intéressez à Kubernetes, une couche logicielle située entre vos applications et votre infrastructure matérielle, vous êtes au bon endroit. Google Kubernetes Engine vous permet d'accéder à Kubernetes en tant que service géré sur Google Cloud.
L'objectif de ce cours est de vous présenter les principes de base de Google Kubernetes Engine (GKE), et de vous apprendre à conteneuriser et exécuter des applications dans Google Cloud. Le cours commence par une introduction aux principes de base de Google Cloud, puis se poursuit par une présentation des conteneurs et de Kubernetes, de l'architecture de Kubernetes et des opérations Kubernetes.
En savoir plus
Ce cours à la demande accéléré présente aux participants les services complets et flexibles d'infrastructure et de plate-forme offerts par Google Cloud. À travers un ensemble de cours vidéo, de démonstrations et d'ateliers pratiques, les participants explorent et déploient des éléments de solution, y compris l'interconnexion sécurisée de réseaux, l'équilibrage de charge, l'autoscaling, l'automatisation de l'infrastructure et les services gérés.
En savoir plus
Ce cours accéléré à la demande présente aux participants l'infrastructure complète et flexible de Google Cloud Platform ainsi que les services de plate-forme fournis, en s'intéressant plus particulièrement à Compute Engine. À travers un ensemble de vidéos de présentation, de démonstrations et d'ateliers pratiques, les participants découvrent et déploient des éléments de solution, y compris des composants d'infrastructure tels que les réseaux, les systèmes et les services applicatifs. Ce cours aborde également le déploiement de solutions pratiques, telles que les clés de chiffrement fournies par le client, la gestion de la sécurité et des accès, les quotas et la facturation, ainsi que la surveillance des ressources.
En savoir plus
Ce cours accéléré à la demande présente aux participants les services complets et flexibles d'infrastructure et de plate-forme offerts par Google Cloud, en s'intéressant plus particulièrement à Compute Engine. À travers un ensemble de cours vidéo, de démonstrations et d'ateliers pratiques, les participants découvrent et déploient des éléments de solution, y compris des composants d'infrastructure tels que des réseaux, des machines virtuelles et des services d'applications. Vous découvrirez comment utiliser Google Cloud via la console et Cloud Shell. Vous en apprendrez également plus sur le rôle d'un architecte cloud, sur les approches de la conception d'infrastructure et sur la configuration de réseaux virtuels avec Virtual Private Cloud (VPC), les projets, les réseaux, les sous-réseaux, les adresses IP, les routes et les règles de pare-feu.
En savoir plus
"Concepts fondamentaux de Google Cloud : infrastructure de base" présente les concepts et les termes à connaître pour utiliser Google Cloud. À travers des vidéos et des ateliers pratiques, il décrit et compare la plupart des services Google Cloud de calcul et de stockage, ainsi que des outils importants de gestion des ressources et des règles.
En savoir plus
Ce cours est le premier d'une série en trois volets sur le traitement des données sans serveur avec Dataflow. Dans ce premier cours, nous allons commencer par rappeler ce qu'est Apache Beam et sa relation avec Dataflow. Ensuite, nous aborderons la vision d'Apache Beam et les avantages de son framework de portabilité, qui permet aux développeurs d'utiliser le langage de programmation et le backend d'exécution de leur choix. Nous vous montrerons aussi comment séparer le calcul du stockage et économiser de l'argent grâce à Dataflow, puis nous examinerons les interactions entre les outils de gestion de l'identification et des accès avec vos pipelines Dataflow. Enfin, nous verrons comment implémenter le modèle de sécurité adapté à votre cas d'utilisation sur Dataflow.
En savoir plus
Intégrer le machine learning à des pipelines de données renforce la capacité à dégager des insights des données. Ce cours passera en revue plusieurs façons d'intégrer le machine learning à des pipelines de données sur Google Cloud. Vous découvrirez AutoML pour les cas ne nécessitant que peu de personnalisation (voire aucune), ainsi que Notebooks et BigQuery ML pour les situations qui requièrent des capacités de machine learning plus adaptées. Enfin, vous apprendrez à utiliser des solutions de machine learning en production avec Vertex AI.
En savoir plus
Le traitement de flux de données est une pratique de plus en plus courante, car elle permet aux entreprises d'obtenir des métriques sur leurs activités commerciales en temps réel. Ce cours explique comment créer des pipelines de flux de données sur Google Cloud et présente Pub/Sub, une solution qui permet de gérer des données de flux entrants. Par ailleurs, vous verrez comment appliquer des agrégations et des transformations à des flux de données à l'aide de Dataflow, mais aussi comment stocker des enregistrements traités dans BigQuery ou Bigtable pour qu'ils puissent être analysés. Les participants mettront en pratique les connaissances qu'ils auront acquises en créant des composants de pipelines de flux de données sur Google Cloud à l'aide de Qwiklabs.
En savoir plus
Les lacs de données et les entrepôts de données sont les deux principaux composants des pipelines de données. Ce cours présente des cas d'utilisation de chaque type de stockage, ainsi que les détails techniques des solutions de lacs et d'entrepôts de données disponibles sur Google Cloud. Il décrit également le rôle des ingénieurs de données et les avantages d'un pipeline de données réussi sur les opérations commerciales, avant d'expliquer pourquoi il est important de procéder à l'ingénierie des données dans un environnement cloud. Il s'agit du premier cours de la série "Ingénierie des données sur Google Cloud". Après l'avoir terminé, inscrivez-vous au cours "Créer des pipelines de données en batch sur Google Cloud".
En savoir plus
Ce cours présente les produits et services Google Cloud pour le big data et le machine learning compatibles avec le cycle de vie "des données à l'IA". Il explore les processus, défis et avantages liés à la création d'un pipeline de big data et de modèles de machine learning avec Vertex AI sur Google Cloud.
Machine Learning Operations (MLOps) : premiers pas
Earned fév. 8, 2024 EST
Machine learning au sein de l'entreprise
Earned fév. 6, 2024 EST
Ingénierie des caractéristiques
Earned jan. 5, 2024 EST
Créer, entraîner et déployer des modèles de ML avec Keras sur Google Cloud
Earned déc. 26, 2023 EST
Launching into Machine Learning - Français
Earned oct. 5, 2023 EDT
Présentation de l'IA et du machine learning sur Google Cloud
Earned sept. 29, 2023 EDT
How Google Does Machine Learning - Français
Earned août 5, 2023 EDT
Concevoir une architecture avec Google Kubernetes Engine : charges de travail
Earned mai 9, 2023 EDT
Concevoir une architecture avec Google Kubernetes Engine : production
Earned mai 1, 2023 EDT
Concevoir une architecture avec Google Kubernetes Engine : principes de bases
Earned avr. 29, 2023 EDT
Premiers pas avec Google Kubernetes Engine
Earned avr. 29, 2023 EDT
Infrastructure Google Cloud flexible : scaling et automatisation
Earned avr. 22, 2023 EDT
Infrastructure fondamentale Google Cloud : services principaux
Earned avr. 17, 2023 EDT
Infrastructure fondamentale Google Cloud : principes de base
Earned avr. 15, 2023 EDT
Concepts fondamentaux de Google Cloud : infrastructure de base
Earned avr. 11, 2023 EDT
Traitement des données sans serveur avec Dataflow : principes de base
Earned fév. 27, 2023 EST
Smart Analytics, Machine Learning, and AI on Google Cloud - Français
Earned fév. 27, 2023 EST
Concevoir des systèmes d'analyse de flux résilients sur Google Cloud
Earned fév. 25, 2023 EST
Moderniser des lacs de données et des entrepôts de données avec Google Cloud
Earned jan. 25, 2023 EST
Google Cloud Big Data and Machine Learning Fundamentals - Français
Earned nov. 15, 2022 EST