Curso ML Pipelines on Google Cloud

 

Calendario

Estamos preparando nuevas convocatorias, déjanos tus datos a través del formulario y te avisaremos en cuanto estén disponibles.

Acerca del curso

En el curso ML Pipelines on Google Cloud aprenderás sobre TensorFlow Extended (TFX), que es la plataforma de machine learning de producción de Google basada en TensorFlow para la gestión de pipelines y metadatos de ML. Los primeros módulos analizan los componentes de pipeline, la orquestación de pipeline con TFX, cómo puede automatizarse el pipeline a través de CI/CD y cómo administrar los metadatos de ML. Luego, se analiza cómo automatizar y reutilizar pipelines de ML en múltiples marcos de ML, como tensorflow, pytorch, scikit learn y xgboost. También, aprenderás a usar Cloud Composer para orquestar tus pipelines de capacitación continua y MLflow para administrar el ciclo de vida completo del machine learning.

  • Científicos de datos que busquen generar un impacto comercial mediante la conversión rápida del prototipo de machine learning a la producción.
  • Ingenieros de software que busquen desarrollar habilidades de ingeniería de machine learning.
  • Ingenieros de machine learning que deseen adoptar Google Cloud.

  • Organizar el entrenamiento y la implementación de modelos con TFX y Cloud AI Platform.
  • Operar modelos de machine learning implementados de manera efectiva y eficiente.
  • Realizar una capacitación continua con varios marcos (Scikit Learn, XGBoost, PyTorch) y organizar pipelines con Cloud Composer y MLFlow.
  • Integre los flujos de trabajo de machine learning con los flujos de trabajo de gestión de datos ascendentes y descendentes para mantener la gestión integral de linaje y metadatos.

Módulo 1: Introduction to TFX

  • Develop a high level understanding of TFX standard pipeline components.
  • Learn how to use a TFX Interactive Context for prototype development of TFX pipelines.
  • Work with the Tensorflow Data Validation (TFDV) library to check and analyze input data.
  • Utilize the Tensorflow Transform (TFT) library for scalable data preprocessing and feature transformations.
  • Use the KerasTuner library for model hyperparameter tuning.
  • Employ the Tensorflow Model Analysis (TFMA) library for model evaluation.

Módulo 2: Pipeline orchestration with TFX

Use the TFX CLI and Kubeflow UI to build and deploy TFX pipelines to a hosted AI Platform Pipelines instance on Google Cloud.

  • Deploy a TensorFlow model trained using AI Platform Training to AI Platform Prediction.
  • Perform advanced distributed hyperparameter tuning using CloudTuner and Cloud AI Platform Vizier.

Módulo 3: Custom components and CI/CD for TFX pipelines

Develop a CI/CD workflow with Cloud Build to build and deploy a TFX Pipeline.

  • Integrate Github trigger to trigger Cloud Build CI/CD workflow for a TFX pipeline.

Módulo 4: ML Metadata with TFX

Access and analyze pipeline artifacts in ML Metadata store.

Módulo 5: Continuous Training with multiple SDKs, KubeFlow & AI Platform Pipelines

Perform continuous training with Scikit-learn and AI Platform Pipelines

  • Perform continuous training with PyTorch and AI Platform Pipelines
  • Perform continuous training with XGBoost and AI Platform Pipelines
  • Perform continuous training with TensorFlow and AI Platform Pipelines

Módulo 6: Continuous Training with Cloud Composer

Perform continuous training with Cloud Composer

Módulo 7: ML Pipelines with MLflow

Manage Machine Learning lifecycle with MLflow

Módulo 8: Summary

Summarize the course

Documentación oficial para el curso ML Pipelines on Google Cloud.

  • Formador certificado por Google Cloud.
  • Más de 5 años de experiencia profesional.
  • Más de 4 años de experiencia docente.
  • Profesional activo en empresas del sector IT.

Solicita información


Descarga el programa del curso
Descargar programa
Hoja de Matriculación:
Descargar matrícula

Si no has encontrado lo que buscabas, prueba buscar tu curso o certificación aquí

Compartir:

Acerca del curso

El curso MLOps (Machine Learning Operations) Fundamentals te ofrece las herramientas y mejores prácticas de MLOps para implementar, evaluar, monitorear y operar sistemas de ML de producción en Google Cloud. MLOps es una disciplina enfocada en la implementación, prueba, monitoreo y automatización de sistemas ML en producción. Los profesionales de Machine Learning Engineering utilizan herramientas para la mejora continua y la evaluación de los modelos implementados. Trabajan con científicos de datos (o son científicos de datos) que desarrollan modelos para permitir la velocidad y el rigor en la implementación de las mejores soluciones de machine learning.

  • Científicos de datos que busquen pasar rápidamente del prototipo de machine learning a la producción para lograr un impacto comercial.
  • Ingenieros de software que busquen desarrollar habilidades de ingeniería de machine learning.
  • Ingenieros de machine learning que deseen adoptar Google Cloud.

  • Identificar y utilizar las tecnologías básicas necesarias para respaldar MLOps efectivos.
  • Configurar y aprovisionar arquitecturas de Google Cloud para entornos de MLOps confiables y efectivos.
  • Implementar flujos de trabajo de inferencia y capacitación confiables y repetibles.
  • Adoptar las mejores prácticas de CI/CD en el contexto de los sistemas de ML.
  • Operar modelos de machine learning implementados de manera efectiva y eficiente.

Haber completado el curso Machine Learning on Google Cloud.

Módulo 1: Why and When do we need MLOps

  • Discuss Data Scientists’ pain points
  • Identify ML Engineering characteristics and challenges
  • Define how Google Cloud can help with MLOps
  • Recognize how MLOps differs from manual ML management
  • Compare and contrast DevOps vs MLOps

Módulo 2: Understanding the Main Kubernetes Components (Optional)

  • Define what is a Docker container
  • Create Docker containers
  • Identify the architecture of Kubernetes: pods, namespaces
  • Create Docker containers using Google Container Builder
  • Store container images in Google Container Registry
  • Create a Kubernetes Engine cluster
  • Manage Kubernetes deployments

Módulo 3: Introduction to AI Platform Pipelines

  • Identify the benefits and opportunities of AI Pipelines
  • Define Access Controls within AI Pipelines
  • Recognize pipeline components
  • List pipeline workflows
  • Set up AI Platform Pipelines
  • Create a machine learning pipeline
  • Run a machine learning pipeline
  • Connect to AI Platform Pipelines using the Kubeflow Pipelines SDK
  • Configure a Google Kubernetes Engine cluster for AI Platform Pipelines

Módulo 4: Training, Tuning and Serving on AI Platform

  • Identify the main concepts of MLOps on AI Platform
  • Create a reproducible dataset
  • Implement a tunable model
  • Build and push a training container
  • Train and tune a model
  • Serve and query a model

Módulo 5: Kubeflow Pipelines on AI Platform

  • Recognize how Kubeflow Pipelines fits in MLOps
  • Describe a Kubeflow Pipeline with KF DSL
  • Use the various Kubeflow components
  • Compile, upload, and run a pipeline build in Kubeflow Pipelines

Módulo 6: CI/CD for Kubeflow Pipelines on AI Platform

  • Create Cloud Build Builders
  • Configure pipelines with Cloud Build
  • Create triggers for training models using Cloud Build Triggers
  • Adopt the best CI/CD practices in the context of ML systems

Módulo 7: Summary

  • Summarize the course

Documentación oficial para el curso MLOps (Machine Learning Operations) Fundamentals.

  • Formador certificado por Google Cloud.
  • Más de 5 años de experiencia profesional.
  • Más de 4 años de experiencia docente.
  • Profesional activo en empresas del sector IT.

Solicita información


Descarga el programa del curso
Descargar programa
Hoja de Matriculación:
Descargar matrícula

Si no has encontrado lo que buscabas, prueba buscar tu curso o certificación aquí

Compartir:

Acerca del curso

El curso Advanced Machine Learning with TensorFlow on Google te brindará experiencia práctica en la optimización, implementación y escalado de una variedad de modelos de ML de producción. Aprenderás a crear sistemas de recomendación y modelos escalables, precisos y listos para producción para datos estructurados, datos de imágenes, series temporales y texto en lenguaje natural.

  • Ingenieros de datos y programadores interesados en aprender a poner en práctica el machine learning.
  • Cualquier persona interesada en aprender a construir y poner en funcionamiento modelos de TensorFlow.

  • Implementar los diversos tipos de sistemas de producción de ML: capacitación estática, dinámica y continua, inferencia estática y dinámica, y procesamiento por lotes y en línea.
  • Resolver un problema de ML mediante la creación de una canalización integral, desde la exploración de datos, el preprocesamiento, la ingeniería de características, la creación de modelos, el ajuste de hiperparámetros, la implementación y el servicio.
  • Desarrollar una variedad de modelos de clasificación de imágenes, desde modelos lineales simples hasta redes neuronales convolucionales (CNNs) de alto rendimiento con normalización por lotes, aumento y transferencia de aprendizaje.
  • Pronosticar valores de series temporales utilizando CNN, redes neuronales recurrentes (RNNs) y LSTMs.
  • Aplicar ML al texto en lenguaje natural utilizando CNNs, RNNs, LSTMs, incrustaciones de palabras reutilizables y modelos generativos de codificador y decodificador.
  • Implementar modelos de recomendación en TensorFlow, basados en contenido, colaborativos, híbridos y neuronales.

  • Tener conocimientos de machine learning y TensorFlow al nivel de especialización Machine Learning on Google Cloud.
  • Tener experiencia en codificación en Python.
  • Tener conocimiento de estadísticas básicas.
  • Tener conocimientos de SQL y computación en la nube.

Módulo 1: End-to-End Machine Learning with TensorFlow on GCP

Temas:

In the first course of this specialization, we recap what was covered in the Machine Learning on Google Cloud Specialization. One of the best ways to review something is to work with the concepts and technologies that you have learned. So, this course is run like a workshop where you will carry out end-toend machine learning with TensorFlow on Google Cloud Platform. Here you will learn how to explore large datasets for features, create training and evaluation datasets, build models with the Estimator API in TensorFlow, train at scale and deploy those models into production with Google Cloud Platform machine learning tools.

New learners with ML background can also follow this course to learn how to do ML on GCP to fast track to the more advanced topics coming soon under the advanced specialization.

Módulo 2: Production ML Systems

Temas:

We’ll cover how to implement the various flavors of production ML systems—static, dynamic, and continuous training; static and dynamic inference; and batch and online processing. We’ll delve into TensorFlow abstraction levels and the various options for doing distributed training and how to write distributed training models with custom estimators.

  • Compare static vs. dynamic training and inference
  • Manage model dependencies
  • Set up distributed training for fault tolerance, replication, and more
  • Export models for portability

Módulo 3: Image Classification Models

Temas:

We will take a look at different strategies for building an image classifier using convolutional neural networks. We’ll improve the model’s accuracy with augmentation, feature extraction, and fine-tuning hyperparameters while avoiding overfitting our data.

  • Classify images using deep learning
  • Implement convolutional neural networks
  • Improve the model by augmentation, batch normalization, etc.
  • Leverage transfer learning

Objetivos:

Gain an overview of how ML is applied to image classification, including the evolving methods and challenges

Módulo 4: Sequence Models

Temas:

  • Predict future values of a time-series
  • Classify free form text
  • Address time-series and text problems with recurrent neural networks
  • Choose between RNNs/LSTMs and simpler models
  • Train and reuse word embeddings in text problems

Objetivos:

This module is an introduction to sequence models and their applications, including an overview of sequence model architectures and how to handle inputs of variable length.

Módulo 5: Recommendation Models

Temas:

  • Devise a content-based recommendation engine
  • Implement a collaborative filtering recommendation engine
  • Build a hybrid recommendation engine with user and content embeddings

Objetivos:

Apply your knowledge of classification models and embeddings to build a ML pipeline that functions as a recommendation engine.

Documentación oficial para el curso Advanced Machine Learning with TensorFlow on Google.

  • Formador certificado por Google Cloud.
  • Más de 5 años de experiencia profesional.
  • Más de 4 años de experiencia docente.
  • Profesional activo en empresas del sector IT.

Solicita información


Descarga el programa del curso
Descargar programa
Hoja de Matriculación:
Descargar matrícula

Si no has encontrado lo que buscabas, prueba buscar tu curso o certificación aquí

Compartir:
Descubre nuestras ofertas y promociones
Plan amigo, ven con un amigo y tienes descuento!
Plan Amigo
Desempleados. Si estás sin empleo tienes descuento!
Desempleado
Antiguos alumnos. Si has sido alumno de CAS Training tienes un descuento!
Antiguos Alumnos
Bonificación FUNDAE. Contamos con cursos boficados. Consúltanos!
Bonificación Fundae
Puedes pagar los cursos con Sodexo
Paga con Sodexo
Si tienes el Carné jóven de la comunidad de Madrid, tienes un descuento, consúltanos!
Carné Joven Comunidad de Madrid