Introduction to AI and Machine Learning on Google Cloud (AIMLGC)

Ziele

In dieser 1-tägigen Schulung "Introduction to AI and Machine Learning on Google Cloud (AIMLGC)" werden die KI- und ML-Angebote in der Google Cloud vorgestellt, mit denen sich sowohl prädiktive als auch generative KI-Projekte erstellen lassen. Er erforscht die Technologien, Produkte und Tools, die während des gesamten Lebenszyklus von Daten zu KI verfügbar sind und umfasst KI-Grundlagen, Entwicklung und Lösungen. Ziel ist es, Datenwissenschaftler, KI-Entwickler und ML-Ingenieure dabei zu unterstützen, ihre Fähigkeiten und Kenntnisse durch ansprechende Lernerfahrungen und praktische Übungen zu erweitern.

Zielgruppe

• Professionelle KI-Entwickler
• Datenwissenschaftler
• ML-Ingenieure, die prädiktive und generative KI-Projekte auf Google Cloud erstellen möchten.

Voraussetzungen

Mit einer oder mehreren der folgenden Eigenschaften:

• Grundkenntnisse über Konzepte des maschinellen Lernens
• Frühere Erfahrungen mit Programmiersprachen wie SQL und Python

Agenda

Modul 1 - AI-Grundlagen

• Themen:

  • Warum AI?
  • AI/ML-Framework in der Google Cloud
  • Google Cloud-Infrastruktur
  • Daten und KI-Produkte
  • ML-Modell-Kategorien
  • BigQuery ML
  • Einführung ins Labor: BigQuery ML

• Zielsetzungen:

  • Erkennen Sie das AI/ML-Framework auf Google Cloud.
  • Identifizieren Sie die wichtigsten Komponenten der Google Cloud-Infrastruktur.
  • Definieren Sie die Daten- und ML-Produkte in Google Cloud und wie sie den Lebenszyklus von Daten zu KI unterstützen.
  • Erstellen Sie ein ML-Modell mit BigQueryML, um Daten mit KI zu verbinden.

• Aktivitäten:

  • Übung: Vorhersage von Besucherkäufen mit BigQuery ML
  • Quiz
  • Lesen

Modul 2 - AI-Entwicklungsoptionen

• Themen:

  • AI-Entwicklungsoptionen
  • Vorgefertigte APIs
  • Vertex AI
  • AutoML
  • Individuelle Ausbildung
  • Einführung ins Labor: API für natürliche Sprache

• Zielsetzungen:

  • Definieren Sie verschiedene Optionen zur Erstellung eines ML-Modells in der Google Cloud.
  • Erkennen der wichtigsten Merkmale und Anwendungsfälle von vortrainierten APIs, AutoML und benutzerdefiniertem Training.
  • Verwenden Sie die Natural Language API zur Analyse von Text.

• Aktivitäten:

  • Übung: Entity- und Sentiment-Analyse mit Natural Language API
  • Quiz
  • Lesen

Modul 3 - Arbeitsablauf der KI-Entwicklung

• Themen:

  • ML-Arbeitsablauf
  • Vorbereitung der Daten
  • Entwicklung von Modellen
  • Das Modell dient
  • MLOps und Automatisierung von Arbeitsabläufen
  • Einführung ins Labor: AutoML
  • Wie eine Maschine lernt

• Zielsetzungen:

  • Definieren Sie den Arbeitsablauf zur Erstellung eines ML-Modells.
  • Beschreiben Sie MLOps und Workflow-Automatisierung in Google Cloud.
  • Erstellen Sie ein ML-Modell von Anfang bis Ende mit AutoML auf Vertex AI.

• Aktivitäten:

  • Labor: Vertex AI: Vorhersage von Darlehensrisiken mit AutoML
  • Quiz
  • Lesen

Modul 4 - Generative KI

• Themen:

  • Generative KI und Arbeitsabläufe
  • Gemini multimodal
  • Promptes Design
  • Modell-Tuning
  • Modell Garten
  • AI-Lösungen
  • Einführung ins Labor: Vertex AI Studio

• Zielsetzungen:

  • Definieren Sie generative KI und Grundlagenmodelle.
  • Verwenden Sie Gemini multimodal mit Vertex AI Studio.
  • Entwerfen Sie effiziente Eingabeaufforderungen und stimmen Sie Modelle mit verschiedenen Methoden ab.
  • Erkennen Sie die KI-Lösungen und die eingebetteten Funktionen von Gen AI.

• Aktivitäten:

  • Übung: Erste Schritte mit Vertex AI Studio
  • Quiz
  • Lesen

Modul 5 - Kurszusammenfassung

• Themen:

  • Zusammenfassung des Kurses

• Zielsetzungen:

  • Erkennen der wichtigsten Konzepte, Werkzeuge, Technologien und Produkte, die im Kurs gelernt wurden.