Curso ML Pipelines on Google Cloud

GC-MLPGC
Avanzado

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.

Próximos inicios

No disponibles en este momento.

Objetivos

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.

Dirigido a

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.

Requisitos

Haber completado el curso Machine Learning on Google Cloud.
Haber completado el curso MLOps (Machine Learning Operations) Fundamentals.

Contenidos

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

Material del curso

Documentación oficial para el curso ML Pipelines on Google Cloud.

Perfil del docente

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.

Beneficios para tu formación

Haz click aquí y descubre los descuentos, promociones y ayudas disponibles para tu formación tecnológica.

Descargar programa

Descargar matrícula