가입 로그인

Sudhanshu .

회원 가입일: 2022

브론즈 리그

10725포인트
머신러닝 작업(MLOps): 시작하기 Earned 2월 8, 2024 EST
기업의 머신러닝 Earned 2월 6, 2024 EST
특성 추출 Earned 1월 5, 2024 EST
Google Cloud에서 Keras를 사용해 ML 모델을 빌드, 학습, 배포하기 Earned 12월 26, 2023 EST
Launching into Machine Learning - 한국어 Earned 10월 5, 2023 EDT
Google Cloud의 AI 및 머신러닝 소개 Earned 9월 29, 2023 EDT
How Google Does Machine Learning - 한국어 Earned 8월 5, 2023 EDT
Google Kubernetes Engine으로 설계하기: 워크로드 Earned 5월 9, 2023 EDT
Google Kubernetes Engine으로 설계하기: 프로덕션 Earned 5월 1, 2023 EDT
Google Kubernetes Engine으로 설계하기: 기초 Earned 4월 29, 2023 EDT
Google Kubernetes Engine 시작하기 Earned 4월 29, 2023 EDT
유연한 Google Cloud 인프라: 확장 및 자동화 Earned 4월 22, 2023 EDT
필수 Google Cloud 인프라: 핵심 서비스 Earned 4월 17, 2023 EDT
필수 Google Cloud 인프라: 기초 Earned 4월 15, 2023 EDT
Google Cloud 기초: 핵심 인프라 Earned 4월 11, 2023 EDT
Serverless Data Processing with Dataflow: Foundations Earned 2월 27, 2023 EST
Smart Analytics, Machine Learning, and AI on Google Cloud - 한국어 Earned 2월 27, 2023 EST
Google Cloud 기반 복원력이 우수한 스트리밍 분석 시스템 구축하기 Earned 2월 25, 2023 EST
Google Cloud로 데이터 레이크 및 데이터 웨어하우스 현대화하기 Earned 1월 25, 2023 EST
Google Cloud Big Data and Machine Learning Fundamentals - 한국어 Earned 11월 15, 2022 EST

이 과정에서는 Google Cloud에서 프로덕션 ML 시스템 배포, 평가, 모니터링, 운영을 위한 MLOps 도구와 권장사항을 소개합니다. MLOps는 프로덕션에서 ML 시스템을 배포, 테스트, 모니터링, 자동화하는 방법론입니다. 머신러닝 엔지니어링 전문가들은 배포된 모델의 지속적인 개선과 평가를 위해 도구를 사용합니다. 이들이 협력하거나 때론 그 역할을 하는 데이터 과학자는 고성능 모델을 빠르고 정밀하게 배포할 수 있도록 모델을 개발합니다.

자세히 알아보기

이 과정에서는 우수사례를 중심으로 ML 워크플로에 대한 실질적인 접근 방식을 취합니다. ML팀은 다양한 ML 비즈니스 요구사항과 사용 사례에 직면합니다. 팀에서는 데이터 관리 및 거버넌스에 필요한 도구를 이해하고 가장 효과적으로 데이터 전처리에 접근하는 방식을 파악해야 합니다. 두 가지 사용 사례를 위한 ML 모델을 빌드하는 세 가지 옵션이 팀에 제시됩니다. 이 과정에서는 목표를 달성하기 위해 AutoML, BigQuery ML 또는 커스텀 학습을 사용하는 이유를 설명합니다.

자세히 알아보기

이 과정에서는 Vertex AI Feature Store 사용의 이점, ML 모델의 정확성을 개선하는 방법, 가장 유용한 특성을 만드는 데이터 열을 찾는 방법을 살펴봅니다. 이 과정에는 BigQuery ML, Keras, TensorFlow를 사용한 특성 추출에 관한 콘텐츠와 실습도 포함되어 있습니다.

자세히 알아보기

이 과정에서는 TensorFlow 및 Keras를 사용한 ML 모델 빌드, ML 모델의 정확성 개선, 사용 사례 확장을 위한 ML 모델 작성에 대해 다룹니다.

자세히 알아보기

이 과정에서는 먼저 데이터에 관해 논의하면서 데이터 품질을 개선하고 탐색적 데이터 분석을 수행하는 방법을 알아봅니다. Vertex AI AutoML과 코드를 한 줄도 작성하지 않고 ML 모델을 빌드하고, 학습시키고, 배포하는 방법을 설명합니다. 학습자는 Big Query ML의 이점을 이해할 수 있습니다. 그런 다음, 머신러닝(ML) 모델 최적화 방법과 일반화 및 샘플링으로 커스텀 학습용 ML 모델 품질을 평가하는 방법을 다룹니다.

자세히 알아보기

이 과정에서는 예측 및 생성형 AI 프로젝트를 모두 빌드하는 Google Cloud 기반 AI 및 머신러닝(ML) 제품군을 소개합니다. AI 기반, 개발, 솔루션을 모두 포함하여 데이터에서 AI로 이어지는 수명 주기 전반에 걸쳐 사용할 수 있는 기술과 제품, 도구를 살펴봅니다. 이 과정의 목표는 흥미로운 학습 경험과 실제적인 실무형 실습을 통해 데이터 과학자, AI 개발자, ML 엔지니어의 기술 및 지식 역량 강화를 지원하는 것입니다.

자세히 알아보기

Google Cloud에서 머신러닝을 구현하기 위한 권장사항에는 어떤 것이 있을까요? Vertex AI란 무엇이고, 이 플랫폼을 사용하여 코드는 한 줄도 작성하지 않고 AutoML 머신러닝 모델을 빠르게 빌드, 학습, 배포하려면 어떻게 해야 할까요? 머신러닝이란 무엇이며 어떤 종류의 문제를 해결할 수 있을까요? Google은 머신러닝을 조금 다른 방식으로 바라봅니다. Google이 머신러닝과 관련하여 중요하게 생각하는 것은 관리형 데이터 세트를 위한 통합 플랫폼과 특징 저장소를 제공하고, 코드를 작성하지 않고도 머신러닝 모델을 빌드, 학습, 배포할 방법을 제공하고, 데이터에 라벨을 지정하고, TensorFlow, scikit-learn, Pytorch, R 등과 같은 프레임워크를 사용하여 Workbench 노트북을 만들 수 있도록 지원하는 것입니다. Google의 Vertex AI 플랫폼에는 커스텀 모델을 학습시키고, 구성요소 파이프라인을 빌드하고, 온라인 및 일괄 예측을 실행하는 기능이 포함되어 있습니다. 후보 사용 사례를 머신러닝으로 구동되도록 변환하는 5단계를 살펴보고, 단계를 건너뛰지 않는 것이 중요한 이유를 알아봅니다. 마지막으로, 머신러닝이 증폭시킬 수 있는 편향과 이를 인식할 방법을 살펴봅니다.

자세히 알아보기

'Google Kubernetes Engine으로 설계하기: 워크로드' 과정에서는 클라우드 네이티브 애플리케이션 개발 여정을 포괄적으로 학습하며, 학습 과정 전반에 걸쳐 Kubernetes 운영, 배포 관리, GKE 네트워킹, 영구 스토리지에 대해 살펴보게 됩니다. 이 과정은 Google Kubernetes Engine으로 설계하기: 시리즈의 첫 번째 과정입니다. 이 과정을 이수한 후에는 'Google Kubernetes Engine으로 설계하기: 프로덕션' 과정에 등록하세요.

자세히 알아보기

이 과정에서는 Kubernetes와 Google Kubernetes Engine(GKE) 보안, 로깅 및 모니터링, GKE에서의 Google Cloud 관리형 스토리지 및 데이터베이스 서비스 사용에 대해 다룹니다. Google Kubernetes Engine으로 설계하기 시리즈의 두 번째 과정입니다. 이 과정을 이수한 후 안정적인 Google Cloud 인프라: 설계 및 프로세스 과정 또는 Hybrid Cloud Infrastructure Foundations with Anthos 과정에 등록하세요.

자세히 알아보기

Google Kubernetes Engine으로 설계하기: 기초' 과정에서는 Google Cloud의 레이아웃 및 원리를 살펴본 후 소프트웨어 컨테이너를 생성 및 관리하는 방법과 Kubernetes 아키텍처에 대해 알아봅니다.

자세히 알아보기

Google Kubernetes Engine 시작하기 과정에 오신 것을 환영합니다. 애플리케이션과 하드웨어 인프라 사이에 위치하는 소프트웨어 레이어인 Kubernetes에 관심이 있으시다면 잘 찾아오셨습니다. Google Kubernetes Engine을 사용하면 Kubernetes를 Google Cloud에서 관리형 서비스로 사용할 수 있습니다. 이 과정의 목표는 흔히 GKE로 불리는 Google Kubernetes Engine의 기본사항을 소개하고 Google Cloud에서 애플리케이션을 컨테이너화하고 실행하는 방법을 설명하는 것입니다. 이 과정에서는 먼저 Google Cloud에 대해 기본적인 사항을 소개한 후 이어서 컨테이너 및 Kubernetes, Kubernetes 아키텍처, Kubernetes 작업에 대해 간략히 설명합니다.

자세히 알아보기

이 속성 주문형 과정에서는 참가자에게 Google Cloud에서 제공하는 포괄적이고 유연한 인프라 및 플랫폼 서비스를 소개합니다. 참가자는 동영상 강의, 데모, 실무형 실습이 결합된 이 과정을 통해 안전한 네트워크 상호 연결, 부하 분산, 자동 확장, 인프라 자동화, 관리형 서비스가 포함된 솔루션 요소를 살펴보고 배포할 수 있습니다.

자세히 알아보기

이 속성 주문형 과정은 참가자에게 Google Cloud에서 제공하는 포괄적이고 유연한 인프라 및 플랫폼 서비스를 Compute Engine을 중심으로 소개합니다. 참가자는 동영상 강의, 데모, 실무형 실습을 통해 네트워크, 시스템, 애플리케이션 서비스와 같은 인프라 구성요소를 포함한 솔루션 요소를 탐색하고 배포해 볼 수 있습니다. 또한 이 과정에서는 고객 제공 암호화 키, 보안 및 액세스 관리, 할당량 및 요금 청구, 리소스 모니터링 등 실용적인 솔루션을 배포하는 방법에 대해서도 설명합니다.

자세히 알아보기

이 속성 주문형 과정은 참가자에게 Google Cloud에서 제공하는 포괄적이고 유연한 인프라 및 플랫폼 서비스를 Compute Engine을 중심으로 소개합니다. 참가자는 동영상 강의, 데모, 실무형 실습을 통해 네트워크, 가상 머신, 애플리케이션 서비스와 같은 인프라 구성요소를 포함한 솔루션 요소를 탐색하고 배포해 볼 수 있습니다. Console과 Cloud Shell을 통해 Google Cloud를 사용하는 방법을 학습합니다. 또한 클라우드 설계자의 역할, 인프라 설계 접근 방식은 물론 Virtual Private Cloud(VPC), 프로젝트, 네트워크, 서브네트워크, IP 주소, 경로, 방화벽 규칙을 사용한 가상 네트워킹 구성에 대해 알아봅니다.

자세히 알아보기

Google Cloud 기초: 핵심 인프라 과정은 Google Cloud 사용에 관한 중요한 개념 및 용어를 소개합니다. 이 과정에서는 동영상 및 실무형 실습을 통해 중요한 리소스 및 정책 관리 도구와 함께 Google Cloud의 다양한 컴퓨팅 및 스토리지 서비스를 살펴보고 비교합니다.

자세히 알아보기

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.

자세히 알아보기

머신러닝을 데이터 파이프라인에 통합하면 데이터에서 더 많은 인사이트를 도출할 수 있습니다. 이 과정에서는 머신러닝을 Google Cloud의 데이터 파이프라인에 포함하는 방법을 알아봅니다. 맞춤설정이 거의 또는 전혀 필요 없는 경우에 적합한 AutoML에 대해 알아보고 맞춤형 머신러닝 기능이 필요한 경우를 위해 Notebooks 및 BigQuery 머신러닝(BigQuery ML)도 소개합니다. Vertex AI를 사용해 머신러닝 솔루션을 프로덕션화하는 방법도 다루어 보겠습니다.

자세히 알아보기

스트리밍을 통해 비즈니스 운영에 대한 실시간 측정항목을 얻을 수 있게 되면서 스트리밍 데이터 처리의 사용이 늘고 있습니다. 이 과정에서는 Google Cloud에서 스트리밍 데이터 파이프라인을 빌드하는 방법을 다룹니다. 수신되는 스트리밍 데이터 처리와 관련해 Pub/Sub를 설명합니다. 이 과정에서는 Dataflow를 사용해 집계 및 변환을 스트리밍 데이터에 적용하는 방법과 처리된 레코드를 분석을 위해 BigQuery 또는 Bigtable에 저장하는 방법에 대해서도 다룹니다. Google Cloud에서 Qwiklabs를 사용해 스트리밍 데이터 파이프라인 구성요소를 빌드하는 실습을 진행해 볼 수도 있습니다.

자세히 알아보기

데이터 파이프라인의 두 가지 주요 구성요소는 데이터 레이크와 웨어하우스입니다. 이 과정에서는 스토리지 유형별 사용 사례를 살펴보고 Google Cloud에서 사용 가능한 데이터 레이크 및 웨어하우스 솔루션을 기술적으로 자세히 설명합니다. 또한 데이터 엔지니어의 역할, 성공적인 데이터 파이프라인이 비즈니스 운영에 가져오는 이점, 클라우드 환경에서 데이터 엔지니어링을 수행해야 하는 이유도 알아봅니다. 'Google Cloud의 데이터 엔지니어링' 시리즈의 첫 번째 과정입니다. 이 과정을 완료한 후 'Google Cloud에서 일괄 데이터 파이프라인 빌드하기' 과정에 등록하세요.

자세히 알아보기

이 과정에서는 데이터-AI 수명 주기를 지원하는 Google Cloud 빅데이터 및 머신러닝 제품과 서비스를 소개합니다. Google Cloud에서 Vertex AI를 사용하여 빅데이터 파이프라인 및 머신러닝 모델을 빌드하는 프로세스, 문제점 및 이점을 살펴봅니다.

자세히 알아보기