Google Cloud Big Data and ML Fundamentals - Italiano

Overview

Save Big on Coursera Plus. 7,000+ courses at $160 off. Limited Time Only!

Grab it

Questo corso presenta i prodotti e i servizi per big data e di machine learning di Google Cloud che supportano il ciclo di vita dai dati all'IA. Esplora i processi, le sfide e i vantaggi della creazione di una pipeline di big data e di modelli di machine learning con Vertex AI su Google Cloud.

Syllabus

Introduzione al corso

Questa sezione accoglie gli studenti al corso Big Data and Machine Learning Fundamentals e fornisce una panoramica della struttura e degli obiettivi del corso.

Big data e machine learning su Google Cloud

Questa sezione illustra i componenti chiave dell'infrastruttura di Google Cloud. È qui che presentiamo molti dei servizi e prodotti per big data e di machine learning che supportano il ciclo di vita dai dati all'IA su Google Cloud.

Data engineering per i flussi di dati

Questa sezione illustra la soluzione di Google Cloud per la gestione dei dati in modalità flusso. Prende in esame una pipeline di dati end-to-end che include l'importazione con Pub/Sub, l'elaborazione con Dataflow e la visualizzazione tramite Looker e Looker Studio.

Big data con BigQuery

Questa sezione introduce gli studenti a BigQuery, il data warehouse serverless e completamente gestito di Google. Inoltre, esplora BigQuery ML e i processi e i comandi chiave utilizzati per creare modelli di machine learning personalizzati.

Opzioni di machine learning su Google Cloud

Questa sezione esplora quattro diverse opzioni per la creazione di soluzioni di machine learning su Google Cloud. Inoltre, introduce Vertex AI, la piattaforma unificata di Google per la creazione e la gestione del ciclo di vita dei progetti di ML.

Flusso di lavoro di machine learning con Vertex AI

Questa sezione illustra le tre fasi chiave del flusso di lavoro di machine learning in Vertex AI: preparazione dei dati, addestramento del modello e preparazione del modello. Gli studenti hanno l'opportunità di esercitarsi nella creazione di un modello di machine learning con AutoML.