Este curso aborda o fluxo de trabalho de machine learning no dia a dia de forma prática: um estudo de caso em que uma equipe tem vários casos de uso e exigências comerciais em ML. A equipe precisa conhecer as ferramentas adequadas para o gerenciamento e a governança de dados, além de saber qual a melhor abordagem para o processamento de dados: desde fornecer uma visão geral do Dataflow e do Dataprep até usar o BigQuery para tarefas pré-processadas.

A equipe tem três opções para criar modelos de machine learning em dois casos de uso específicos. Neste curso, você vai entender por que uma equipe escolhe o AutoML, o BigQuery ML ou o treinamento personalizado para alcançar seus objetivos. O curso aborda o treinamento personalizado de forma detalhada. Descrevemos os requisitos para treinamento personalizado, desde a estrutura e o armazenamento do código de treinamento, além do carregamento de grandes conjuntos de dados, até a exportação de um modelo de treinamento.

Você vai desenvolver um modelo de treinamento personalizado para machine learning, que permite criar uma imagem de contêiner conhecendo pouco do Docker.

No estudo de caso, a equipe analisa os ajustes de hiperparâmetros usando o Vertex Vizier e como esse recurso pode melhorar o desempenho do modelo. Para mais detalhes sobre as melhorias no modelo, vamos nos aprofundar na teoria sobre regularização, como lidar com esparsidade, além de outros conceitos e princípios importantes. Para finalizar, mostramos uma visão geral sobre a previsão e o monitoramento de modelos, além de como usar a Vertex AI para gerenciar modelos de ML.