Formation Google Cloud Platform – Fondamentaux Big Data and Machine Leaning

Référence : GCP100B
Durée : 7 heures
Certification : Non
Eligible CPF : Non

RÉSUMÉ

Ce cours présente les produits et services de big data et de machine learning de Google Cloud qui prennent en charge le cycle de vie des données vers l’IA. Il explore les processus, les défis et les avantages de la création d’un pipeline de Big Data et de Machine Learning avec Vertex AI sur Google Cloud.

CONNAISSANCES PREALABLES

1- Avoir des connaissances de base d'un langage de requête de base de données tel que SQL
2- Avoir des connaissances de base sur les Workflow d’ingénierie des données, de l’extraction, de la transformation, du chargement à l’analyse, la modélisation et le déploiement
3- Avoir des connaissances de base au sujet des modèles de machine learning, tels que les modèles supervisés par rapport aux modèles non supervisés

PROFIL DES STAGIAIRES

1-Analystes de données, data scientists et analystes commerciaux qui débutent avec Google Cloud
2-Les personnes chargées de concevoir des pipelines et des architectures pour le traitement des données, de créer et de maintenir des modèles d’apprentissage automatique et statistiques, d’interroger des ensembles de données, de visualiser les résultats des requêtes et de créer des rapports
3-Cadres et décideurs informatiques évaluant Google Cloud pour une utilisation par des data scientists

OBJECTIFS

Identifier le cycle de vie données-vers-IA sur Google Cloud et les principaux produits du big data et du machine learning
Concevoir des pipelines de streaming avec Dataflow et Pub/Sub
Analyser le big data à grande échelle avec BigQuery
Identifier différentes options pour créer des solutions de machine learning sur Google Cloud
Décrire un flux de travail machine learning et les étapes clés avec Vertex AI
Créer un pipeline de machine learning à l’aide d’AutoML

METHODES PEDAGOGIQUES

6 à 12 personnes maximum par cours, 1 poste de travail par stagiaire
Remise d’une documentation pédagogique papier ou numérique pendant le stage
La formation est constituée d’apports théoriques, d’exercices pratiques et de réflexions

METHODES D'EVALUATION DES ACQUIS

Auto-évaluation des acquis par le stagiaire via un questionnaire
Attestation de fin de stage adressée avec la facture

FORMATEUR

Consultant-Formateur expert Cloud

CONTENU DU COURS Cloud

1 - Introduction au cours

Identifier le lien entre le data engineering et le machine learning
Reconnaître le cycle de vie données-vers-IA sur Google Cloud

2 - Big Data et Machine Learning sur Google Cloud

Identifier les différents aspects de l’infrastructure de Google Cloud.
Identifier les produits de big data et de machine learning sur Google Cloud.
Exemple de Travaux Pratiques : Explorer un ensemble de données public BigQuery
Quizz

3 - Data Engineering pour le streaming de données

Décrire un flux de travail de flux de données de bout en bout, de l’ingestion à la visualisation des données.
Identifier les défis du pipeline de données moderne et comment les résoudre à grande échelle avec Dataflow.
Créer des tableaux de bord collaboratifs en temps réel avec des outils de visualisation de données.
Exemple de Travaux Pratiques : Créer un pipeline de flux de données pour un tableau de bord en temps réel avec Dataflow
Quizz

4 - Big Data avec Big Query

Définir les phases du projet BigQuery ML.
Quizz
Exemple de Travaux Pratiques : Prédire les achats des visiteurs à l’aide de BigQuery ML
Créez un modèle de machine learning personnalisé avec BigQuery ML.
Expliquer comment BigQuery traite les requêtes et stocke les données.
Décrire les principes de base de BigQuery en tant qu’entrepôt de données.

5 - Les options de Machine Learning sur Google Cloud

Apprentissage automatique avec TensorFlowIdentifier différentes options pour créer des modèles de ML sur Google Cloud.
Définir Vertex AI et ses principales fonctionnalités et avantages.
Décrire les solutions d’IA sur les marchés horizontaux et verticaux.
Quizz

6 - Le flux de travail d’apprentissage automatique avec Vertex AI

Décrire un flux de travail ML et les étapes clés.
Identifier les outils et les produits pour soutenir chaque étape.
Créer un flux de travail de ML de bout en bout à l’aide d’AutoML.
Exemple de Travaux Pratiques : Vertex AI : Prédire le risque de prêt avec AutoML