|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/google-certified-professional-machine-learning-engineer/
课程评论：没有评论
**课程名称：** Google Certified Professional Machine Learning Engineer **课程概述：** 本课程旨在帮助学员掌握将业务挑战转化为机器学习应用的关键技能，并深入了解如何在 Google Cloud Platform (GCP) 上设计、构建、部署和管理可靠、可扩展且安全的机器学习解决方案。 **核心内容涵盖：** * **业务问题定义与ML用例设计：** 学习如何识别和转化业务需求为机器学习用例，并评估使用机器学习解决问题的可行性，区分机器学习与非机器学习的解决方案，以及选择定制化与预打包的ML服务。 * **ML模型设计与评估：** 理解如何定义ML问题的类型，预测结果，以及输入输出格式。同时，课程强调了业务成功标准与ML指标的对齐，以及识别ML解决方案的潜在风险（包括业务影响、解决方案和数据就绪度）。 * **ML解决方案架构设计：** 深入探讨如何选择合适的ML服务和组件，设计数据探索、特征工程、日志记录、自动化、编排、监控和模型服务策略。此外，还包含评估Google Cloud硬件选项（CPU, GPU, TPU, 边缘设备），设计符合安全要求的跨行业架构。 * **数据处理与特征工程：** 掌握数据探索、可视化、统计基础、数据质量评估以及数据约束的处理。学习如何构建数据管道，优化数据集，处理缺失值和异常值，防止数据泄露。重点包括创建一致的数据预处理流程，结构化数据编码，特征选择，处理类别不平衡，以及应用数据转换。 * **模型构建与训练：** 学习如何选择合适的ML框架，理解模型可解释性、迁移学习、数据增强、半监督学习，以及如何管理过拟合和欠拟合。课程还涵盖了模型的训练，包括不同文件类型的导入，管理训练环境，超参数调优，以及跟踪训练指标。 * **模型测试与部署：** 学习如何进行单元测试，比较模型性能，并利用Vertex AI进行模型可解释性分析。课程重点在于如何扩展模型训练和预测服务，设计和实施训练管道（识别组件，管理编排框架，设计混合/多云策略，使用TFX组件），以及实施服务管道（管理服务选项，测试目标性能，配置调度）。 * **MLOps与持续改进：** 掌握跟踪和审计元数据（组织和跟踪实验，管理模型/数据集版本，理解模型/数据集 lineage）的重要性。学习如何监控和排除ML解决方案的故障，测量性能，实施日志策略，以及建立持续评估指标。课程还包括在生产环境中调整训练和服务的性能，优化输入管道，以及运用简化技术。 **通过本课程，学员将能够：** * 自信地将业务问题转化为可行的机器学习解决方案。 * 精通使用Google Cloud Platform进行端到端的机器学习项目管理。 * 成为一名合格的Google Certified Professional Machine Learning Engineer，在机器学习领域展现专业能力。
Translate business challenges into ML use casesChoose the optimal solution (ML vs non-ML, custom vs pre-packaged)Define how the model output should solve the business problemIdentify data sources (available vs ideal)Define ML problems (problem type, outcome of predictions, input and output formats)Define business success criteria (alignment of ML metrics, key results)Identify risks to ML solutions (assess business impact, ML solution readiness, data readiness)Design reliable, scalable, and available ML solutionsChoose appropriate ML services and componentsDesign data exploration/analysis, feature engineering, logging/management, automation, orchestration, monitoring, and serving strategiesEvaluate Google Cloud hardware options (CPU, GPU, TPU, edge devices)Design architectures that comply with security concerns across sectorsExplore data (visualization, statistical fundamentals, data quality, data constraints)Build data pipelines (organize and optimize datasets, handle missing data and outliers, prevent data leakage)Create input features (ensure data pre-processing consistency, encode structured data, manage feature selection, handle class imbalance, use transformations)Build models (choose framework, interpretability, transfer learning, data augmentation, semi-supervised learning, manage overfitting/underfitting)Train models (ingest various file types, manage training environments, tune hyperparameters, track training metrics)Test models (conduct unit tests, compare model performance, leverage Vertex AI for model explainability)Scale model training and serving (distribute training, scale prediction service)Design and implement training pipelines (identify components, manage orchestration framework, devise hybrid or multicloud strategies, use TFX components)Implement serving pipelines (manage serving options, test for target performance, configure schedules)Track and audit metadata (organize and track experiments, manage model/dataset versioning, understand model/dataset lineage)Monitor and troubleshoot ML solutions (measure performance, log strategies, establish continuous evaluation metrics)Tune performance for training and serving in production (optimize input pipeline, employ simplification techniques)
