Nuestro Workbook sobre Machine Learning con Google Cloud

Google Cloud
google cloud machine learning wworkbook por devoteam

Descubre más sobre Machine Learning en Google Cloud en el Libro de Trabajo elaborado por nuestros Consultores Sr. expertos en IA y ML en Devoteam G Cloud.

Este Workbook, escrito por nuestros ingenieros de la nube, te ayudará obtener insights sobre en el mundo del aprendizaje automático y MLOps en Google Cloud.

Descarga el Workbook en Español para descubrir:

  • Conocimientos básicos de Google Cloud
  • Conocimientos básicos de MLOps (Machine Learning Operations)
  • Visión general de los servicios de aprendizaje automático en Google Cloud
  • Cómo aplicar MLOps en Google Cloud

Índice de contenidos:

1 Introdución

2 Aspectos básicos de Google Cloud

2.1 La jerarquía de recursos de GCP

2.2 Gestión de identidades y accesos

2.3 Servicios

2.4 Localidades, regiones y zonas

3 Aspectos básicos de las MLOps

3.1 Hacia una cadena de despliegue reutilizable

3.1.1 Componentes del Pipeline

3.1.2 Pipelines

3.1.3 Sistema de control de versiones

3.1.4 Construir y almacenar artefactos

3.1.5 Un ejemplo de principio a fin

3.2 La tienda de artículos

3.3 Gestión del medio ambiente

3.4 Seguimiento de los modelos desplegados

3.4.1 SLAs, SLOs y  SLIs

3.4.2 Cumplimiento de los objetivos estratégicos

3.4.3 Medición del rendimiento de los modelos SLI

3.5 Control de la desviación de características

3.6 Mantener los modelos actualizados

3.7 La infraestructura como código

4 Servicios de Machine Learning en Google Cloud

4.1 Almacenamiento en la nube

4.2 BigQuery

4.3 Vertex AI

4.3.1 Vertex AI Training

4.3.2 Vertex AI Pipelines

4.3.3 Vertex AI Metadata Store

4.3.4 Vertex AI Model Registry

4.3.5 Vertex AI Feature Store

4.3.6 Vertex AI Workbench

5 Aplicación de MLOps en Google Cloud

5.1 Exploración y experimentación de datos

5.2 Almacén de características de Vertex AI

5.3 Pipelines en Vertex AI

5.4 Model Training

5.4.1 AutoML Training

5.4.2 Entrenamiento personalizado

5.4.3 Entrenamiento personalizado de ajuste de hiperparámetros

5.5 Model Hosting

5.5.1 Vertex AI Endpoints

5.5.2 Cloud Run

5.5.3 Google Kubernetes Engine

5.5.4 ¿Cuándo elegir qué opción?

5.6 Model Monitoring

5.7 Modelo de transparencia y equidad

5.8 A practical example

6 Conclusión