Overview
Class Central Tips
En este curso, se exploran los beneficios de utilizar Vertex AI Feature Store, cómo mejorar la exactitud de los modelos de AA y cómo descubrir cuáles columnas de datos producen los atributos más útiles. El curso también incluye contenido y labs sobre la ingeniería de atributos en los que se usan BigQuery ML, Keras y TensorFlow.
Syllabus
- Introducción
- En este módulo, se brinda una descripción general del curso y sus objetivos.
- Introducción a Vertex AI Feature Store
- En este módulo, se presenta Vertex AI Feature Store.
- De los datos sin procesar a los atributos
- La ingeniería de atributos suele ser la fase más larga y difícil de la creación de proyectos de AA. En el proceso de ingeniería de atributos, se comienza con los datos sin procesar y se utiliza el propio conocimiento del dominio para crear atributos que hagan funcionar los algoritmos de aprendizaje automático. En este módulo, exploramos qué elementos son buenos atributos y cómo representarlos en un modelo de AA.
- Ingeniería de atributos
- En este módulo, se analizan las diferencias entre el aprendizaje automático y las estadísticas, y cómo realizar ingeniería de atributos en BigQuery ML y Keras. También abordaremos algunas prácticas avanzadas de ingeniería de atributos.
- Procesamiento previo y creación de atributos
- En este módulo, aprenderás más sobre Dataflow, una tecnología complementaria a Apache Beam. Ambas soluciones pueden ayudar a crear y ejecutar el procesamiento previo y la ingeniería de atributos.
- Combinaciones de atributos: TensorFlow Playground
- En el aprendizaje automático tradicional, las combinaciones de atributos no desempeñan un rol significativo. Sin embargo, en los métodos modernos de AA, estas son una parte invaluable de tu kit de herramientas. En este módulo, aprenderás a reconocer los tipos de problemas en los que las combinaciones de atributos son un medio potente para facilitar el aprendizaje automático.
- Introducción a TensorFlow Transform
- TensorFlow Transform (tf.Transform) es una biblioteca para el procesamiento previo de datos con TensorFlow que resulta útil cuando este proceso requiere un pase completo de datos. Por ejemplo, normalizar un valor de entrada según la media y la desviación estándar, generar números enteros a partir del vocabulario analizando valores en todos los ejemplos de entrada y agrupar las entradas según la distribución de datos observada. En este módulo, explicaremos los casos de uso de tf.Transform.
- Resumen
- Este módulo es un resumen del curso Feature Engineering.
Taught by
Google Cloud Training