|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/google-cloud-big-data-and-machine-learnig-espanol-gabriel-alvarado/
课程评论：没有评论
**Google Cloud 大数据与机器学习（西班牙语）课程总结** 本课程旨在帮助学员深入了解 Google Cloud Platform (GCP) 在大数据和机器学习领域的强大功能。课程将快速概览 GCP 平台，并重点介绍其数据处理能力。 **课程目标：** * 识别 GCP 中关键大数据和机器学习产品的目的与价值。 * 利用 Cloud SQL 和 Cloud Dataproc 将现有的 MySQL 和 Hadoop/Pig/Spark/Hive 工作负载迁移至 GCP。 * 使用 BigQuery 和 Cloud Datalab 进行交互式数据分析。 * 在 Cloud SQL、Bigtable 和 Datastore 中做出明智选择。 * 通过 TensorFlow 训练和使用神经网络。 * 在 GCP 的各种数据处理产品中进行选择。 **先决条件：** * 熟悉 SQL 等查询语言。 * 了解 ETL（抽取、转换、加载）流程。 * 具备数据建模经验。 * 掌握机器学习或统计学基础。 * 熟练使用 Python 进行编程。 **核心理念：** 学员将学习到机器（计算机）如何通过模仿人类的认知能力，构建能够“泛化”所接收信息的模型，从而在熟悉和新颖的任务中都能精确执行。数据是实现这一目标的关键，机器学习算法能够处理各种来源和格式的“大数据”，并将其视为大量实践示例。 **机器学习算法分类：** 课程将重点介绍机器学习的三个主要算法类别： 1. **监督学习 (Supervised Learning)** 2. **无监督学习 (Unsupervised Learning)** 3. **强化学习 (Reinforcement Learning)**
los participantes descubrirán las capacidades de los macrodatos y del aprendizaje automático de Google Cloud Platform (GCP). Además, se proporciona una descripción general rápida de Google Cloud Platform y más detalles sobre las capacidades de procesamiento de datos.Al finalizar este curso, los participantes podrán hacer lo siguiente: • Identificar el propósito y el valor de los productos clave de macrodatos y aprendizaje automático disponibles en Google Cloud Platform • Usar Cloud SQL y Cloud Dataproc para migrar las cargas de trabajo existentes de MySQL y Hadoop/Pig/Spark/Hive a Google Cloud Platform • Usar BigQuery y Cloud Datalab para llevar a cabo un análisis de datos interactivo • Elegir entre Cloud SQL, Bigtable y Datastore • Entrenar y usar una red neuronal mediante TensorFlow • Elegir entre los diferentes productos de procesamiento de datos disponibles en Google Cloud Platform Antes de inscribirse en este curso, los participantes deben tener los siguientes: • Un lenguaje de consulta común, como SQL • Actividades de extracción, transformación y carga • Modelado de datos • Aprendizaje automático o estadísticas • Programación en PythonEl principal objetivo de todo aprendiz (learner) es desarrollar la capacidad de generalizar y asociar. Cuando traducimos esto a una máquina o computadora, significa que éstas deberían poder desempeñarse con precisión y exactitud, tanto en tareas familiares, como en actividades nuevas o imprevistas.¿Y cómo es posible esto?Haciendo que repliquen las facultades cognitivas del ser humano, formando modelos que "generalicen" la información que se les presenta para realizar sus predicciones. Y el ingrediente clave en toda esta cuestión son los datos.En realidad, el origen y el formato de los datos no es tan relevante, dado que el machine learning es capaz de asimilar una amplia gama de éstos, lo que se conoce como big data, pero éste no los percibe como datos, sino como una enorme lista de ejemplos prácticos.Podríamos decir que sus algoritmos se dividen principalmente en tres grandes categorías: supervised learning (aprendizaje supervisado), unsupervised learning (aprendizaje no supervisado) y reinforcement learning (aprendizaje por refuerzo).
