Ingénierie des données pour la modélisation prédictive avec BigQuery ML
Earned mars 14, 2023 EDT
Préparer des données pour les API de ML sur Google Cloud
Earned mars 14, 2023 EDT
Traitement des données sans serveur avec Dataflow : principes de base
Earned fév. 1, 2023 EST
Créer des lacs de données et des entrepôts de données sur Google Cloud
Earned jan. 16, 2023 EST
Implémenter Cloud Load Balancing pour Compute Engine
Earned jan. 10, 2023 EST
Google Cloud Big Data and Machine Learning Fundamentals - Français
Earned jan. 6, 2023 EST
Terminez le cours intermédiaire Ingénierie des données pour la modélisation prédictive avec BigQuery ML pour recevoir un badge démontrant vos compétences dans les domaines suivants : la création de pipelines de transformation des données dans BigQuery avec Dataprep by Trifacta ; l'utilisation de Cloud Storage, Dataflow et BigQuery pour créer des workflows ETL (Extract, Transform and Load) ; et la création de modèles de machine learning avec BigQuery ML.
En savoir plus
Terminez le cours d'introduction Préparer des données pour les API de ML sur Google Cloud pour recevoir un badge démontrant vos compétences dans les domaines suivants : le nettoyage des données avec Dataprep by Trifacta, l'exécution de pipelines de données dans Dataflow, la création de clusters et l'exécution de jobs Apache Spark dans Dataproc, et l'appel d'API de ML comme l'API Cloud Natural Language, l'API Google Cloud Speech-to-Text et l'API Video Intelligence.
En savoir plus
Ce cours est le premier d'une série en trois volets sur le traitement des données sans serveur avec Dataflow. Dans ce premier cours, nous allons commencer par rappeler ce qu'est Apache Beam et sa relation avec Dataflow. Ensuite, nous aborderons la vision d'Apache Beam et les avantages de son framework de portabilité, qui permet aux développeurs d'utiliser le langage de programmation et le backend d'exécution de leur choix. Nous vous montrerons aussi comment séparer le calcul du stockage et économiser de l'argent grâce à Dataflow, puis nous examinerons les interactions entre les outils de gestion de l'identification et des accès avec vos pipelines Dataflow. Enfin, nous verrons comment implémenter le modèle de sécurité adapté à votre cas d'utilisation sur Dataflow.
En savoir plus
Bien que les approches traditionnelles utilisant des lacs de données et des entrepôts de données puissent être efficaces, elles présentent des inconvénients, en particulier dans les grands environnements d'entreprise. Ce cours présente le concept de data lakehouse et les produits Google Cloud utilisés pour en créer un. Une architecture de lakehouse utilise des sources de données basées sur des normes ouvertes et combine les meilleures fonctionnalités des lacs et des entrepôts de données, ce qui permet de pallier de nombreuses lacunes.
En savoir plus
Terminez le cours d'introduction Implémenter Cloud Load Balancing pour Compute Engine pour recevoir un badge démontrant vos compétences dans les domaines suivants : Créer et déployer des machines virtuelles dans Compute Engine Configurer des équilibreurs de charge réseau et d'application.
En savoir plus
Ce cours présente les produits et services Google Cloud pour le big data et le machine learning compatibles avec le cycle de vie "des données à l'IA". Il explore les processus, défis et avantages liés à la création d'un pipeline de big data et de modèles de machine learning avec Vertex AI sur Google Cloud.
Ingénierie des données pour la modélisation prédictive avec BigQuery ML
Earned mars 14, 2023 EDT
Préparer des données pour les API de ML sur Google Cloud
Earned mars 14, 2023 EDT
Traitement des données sans serveur avec Dataflow : principes de base
Earned fév. 1, 2023 EST
Créer des lacs de données et des entrepôts de données sur Google Cloud
Earned jan. 16, 2023 EST
Implémenter Cloud Load Balancing pour Compute Engine
Earned jan. 10, 2023 EST
Google Cloud Big Data and Machine Learning Fundamentals - Français
Earned jan. 6, 2023 EST