Conclua o selo de habilidade intermediário Dados de engenharia para modelagem preditiva com o BigQuery ML para mostrar que você sabe: criar pipelines de transformação de dados no BigQuery usando o Dataprep by Trifacta; usar o Cloud Storage, o Dataflow e o BigQuery para criar fluxos de trabalho de extração, transformação e carregamento de dados (ELT); e criar modelos de machine learning usando o BigQuery ML. Os selos de habilidade são digitais e exclusivos. Eles são emitidos pelo Google Cloud como forma de reconhecer sua proficiência com os produtos e serviços do Cloud e comprovam sua habilidade de aplicar seu conhecimento em um ambiente prático e interativo. Conclua o curso com selo de habilidade e o laboratório com desafio da avaliação final para receber um selo digital que pode ser compartilhado com sua rede.
Nesta Quest de nível introdutório, você terá acesso a treinamentos práticos com os principais serviços e ferramentas do Google Cloud Platform. A Quest "GCP Essentials" é a primeira recomendação para quem está aprendendo a usar o Google Cloud. Com ela, quem tem pouco ou nenhum conhecimento sobre nuvem ganha experiência prática para aplicar no primeiro projeto do GCP. Esta Quest proporciona um contato inicial com os recursos fundamentais da plataforma, como o registro de comandos do Cloud Shell, a implementação da sua primeira máquina virtual, a execução de aplicativos no Kubernetes Engine e o balanceamento de carga. Assista também os vídeos rápidos que explicam os conceitos principais de cada laboratório.
Cloud Healthcare API bridges the gap between care systems and applications built on Google Cloud. By supporting standards-based data formats and protocols of existing healthcare technologies, Cloud Healthcare API connects your data to advanced Google Cloud capabilities, including streaming data processing with Cloud Dataflow, scalable analytics with BigQuery, and machine learning with Cloud Machine Learning Engine. In this Quest you will use the Cloud Healthcare API to ingest and process data in the industry standard FHIR, HL7v2 and DICOM formats, train a TensorFlow model for prediction with FHIR data, and also gain practice with de-identification of datasets.