このコースには、ML ワークフローに対する実践的なアプローチが含まれています。ML チームが直面しているいくつかの ML ビジネス要件とユースケースに関するケーススタディの方法を紹介します。ML チームは、データの管理とガバナンスに必要なツールを理解し、Dataflow と Dataprep の概要を提供することから前処理タスクに BigQuery を使用することまで、データの前処理に最適なアプローチを検討する必要があります。

チームには、2 つの具体的なユースケースに対して機械学習モデルを構築するための 3 つのオプションが提示されます。このコースでは、チームが目的を達成するために、AutoML、BigQuery ML、またはカスタム トレーニングを使用する理由を説明します。さらに、カスタム トレーニングについても深く掘り下げます。コード構造のトレーニング、ストレージ、大規模なデータセットの読み込みからトレーニング済みモデルのエクスポートまで、カスタム トレーニングの要件について説明します。

Docker の知識がほとんどなくてもコンテナ イメージを構築できる、カスタム トレーニングの機械学習モデルを構築します。

ケーススタディ チームは、Vertex Vizier を使用したハイパーパラメータの調整と、これを使用してモデルのパフォーマンスを改善する方法を検証します。モデル改善についての理解を深めるために、理論についても詳しく考察します。正則化、スパース性の扱いなど、数多くある重要なコンセプトと原則について説明します。最後に、予測とモデル モニタリングの概要と、ML モデルを管理するための Vertex AI の活用方法について説明します。