Brian Doheny
Membro dal giorno 2021
Campionato Argento
17405 punti
Membro dal giorno 2021
This course empowers you to develop scalable, performant LookML (Looker Modeling Language) models that provide your business users with the standardized, ready-to-use data that they need to answer their questions. Upon completing this course, you will be able to start building and maintaining LookML models to curate and manage data in your organization’s Looker instance.
In this course, you learn how to do the kind of data exploration and analysis in Looker that would formerly be done primarily by SQL developers or analysts. Upon completion of this course, you will be able to leverage Looker's modern analytics platform to find and explore relevant content in your organization’s Looker instance, ask questions of your data, create new metrics as needed, and build and share visualizations and dashboards to facilitate data-driven decision making.
In this course, you will get hands-on experience applying advanced LookML concepts in Looker. You will learn how to use Liquid to customize and create dynamic dimensions and measures, create dynamic SQL derived tables and customized native derived tables, and use extends to modularize your LookML code.
In this quest, you will get hands-on experience with LookML in Looker. You will learn how to write LookML code to create new dimensions and measures, create derived tables and join them to Explores, filter Explores, and define caching policies in LookML.
Complete the introductory Prepare Data for Looker Dashboards and Reports skill badge course to demonstrate skills in the following: filtering, sorting, and pivoting data; merging results from different Looker Explores; and using functions and operators to build Looker dashboards and reports for data analysis and visualization.
Earn a skill badge by completing the Get Started with Looker skill badge course, where you learn how to analyze, visualize, and curate data using Looker Studio and Looker.
Questo corso adotta un approccio pratico reale al flusso di lavoro ML attraverso un case study. Un team ML è chiamato a rispondere a numerosi requisiti aziendali e ad affrontare vari casi d'uso ML. Deve comprendere gli strumenti necessari per la gestione e la governance dei dati e considerare l'approccio migliore per la pre-elaborazione dei dati. Al team vengono presentate tre opzioni per creare modelli ML per due casi d'uso. Il corso spiega perché il team utilizzerà AutoML, BigQuery ML o l'addestramento personalizzato per raggiungere i propri obiettivi.
Il corso Google Cloud Computing Foundations fornirà a chi ha poca o nessuna esperienza di cloud computing una panoramica dettagliata dei concetti relativi alle nozioni di base del cloud, ai big data e al machine learning, oltre che a dove e come Google Cloud si inserisce. Alla fine del corso, i partecipanti saranno in grado di descrivere i concetti relativi al cloud computing, ai big data e al machine learning e dimostrare delle competenze pratiche. Questo corso fa parte della serie di corsi Google Cloud Computing Foundations. I corsi dovrebbero essere completati nel seguente ordine: Google Cloud Computing Foundations: Cloud Computing Fundamentals - Locales Google Cloud Computing Foundations: Infrastructure in Google Cloud - Locales Google Cloud Computing Foundations: Networking and Security in Google Cloud - Locales Google Cloud Computing Foundations: Data, ML, and AI in Google Cloud - Locales Questo secondo corso esamina l'implementazione di modelli …
Ottieni un badge delle competenze completando il corso Configura un ambiente di sviluppo di app su Google Cloud, in cui imparerai a creare e connettere un'infrastruttura cloud incentrata sull'archiviazione utilizzando le funzionalità di base delle seguenti tecnologie: Cloud Storage, Identity and Access Management, Cloud Functions e Pub/Sub.
Il corso Google Cloud Computing Foundations fornirà a chi ha poca o nessuna esperienza di cloud computing una panoramica dettagliata dei concetti relativi alle nozioni di base del cloud, ai big data e al machine learning, oltre che a dove e come Google Cloud si inserisce. Alla fine del corso, i partecipanti saranno in grado di descrivere questi concetti e dimostrare delle competenze pratiche. Questo corso fa parte della serie di corsi Google Cloud Computing Foundations. I corsi dovrebbero essere completati nel seguente ordine: Google Cloud Computing Foundations: Cloud Computing Fundamentals - Locales Google Cloud Computing Foundations: Infrastructure in Google Cloud - Locales Google Cloud Computing Foundations: Networking and Security in Google Cloud - Locales Google Cloud Computing Foundations: Data, ML, and AI in Google Cloud - Locales Questo primo corso fornisce una panoramica del cloud computing, dei modi per utilizzare Google Cloud e diverse opzio…
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.
Questo corso illustra i vantaggi dell'utilizzo di Vertex AI Feature Store, come migliorare l'accuratezza dei modelli di ML e come trovare le colonne di dati che forniscono le caratteristiche più utili. Il corso include inoltre contenuti e lab sul feature engineering utilizzando BigQuery ML, Keras e TensorFlow.
Questo corso tratta la creazione di modelli ML con TensorFlow e Keras, il miglioramento dell'accuratezza dei modelli ML e la scrittura di modelli ML per l'uso su larga scala.
Il corso inizia con una discussione sui dati: come migliorare la qualità dei dati ed eseguire analisi esplorative dei dati. Descriveremo Vertex AI AutoML e come creare, addestrare ed eseguire il deployment di un modello di ML senza scrivere una sola riga di codice. Comprenderai i vantaggi di Big Query ML. Discuteremo quindi di come ottimizzare un modello di machine learning (ML) e di come la generalizzazione e il campionamento possano aiutare a valutare la qualità dei modelli di ML per l'addestramento personalizzato.
This course explores what ML is and what problems it can solve. The course also discusses best practices for implementing machine learning. You’re introduced to Vertex AI, a unified platform to quickly build, train, and deploy AutoML machine learning models. The course discusses the five phases of converting a candidate use case to be driven by machine learning, and why it’s important to not skip them. The course ends with recognizing the biases that ML can amplify and how to recognize them.