Google Cloud Certified Professional Machine Learning Engineer
(GCPMLE.AE1) / ISBN : 978-1-64459-591-6
Über diesen Kurs
Der Kurs „Google Cloud Professional Machine Learning Engineer“ vermittelt Ihnen die Fähigkeiten, komplexe Modelle für maschinelles Lernen in Google Cloud zu entwerfen, zu erstellen und bereitzustellen. Sie vertiefen sich in wichtige Themen wie die Formulierung von ML-Problemen, die Architektur skalierbarer ML-Lösungen, die Entwicklung und Optimierung von Modellen, die Automatisierung durchgängiger ML-Pipelines und die Überwachung der Modellleistung. Dieser Kurs ist ideal für erfahrene Google Cloud-Benutzer, die ihre Fähigkeiten im maschinellen Lernen auf die nächste Stufe bringen möchten.
Fähigkeiten, die Sie erwerben werden
Die Zertifizierung „Google Cloud Professional Machine Learning Engineer“ (PMLE) soll die Fachkompetenz von Fachleuten beim Entwerfen, Erstellen und Bereitstellen von Modellen für maschinelles Lernen in der Google Cloud bestätigen. Diese Zertifizierung weist die Fähigkeit eines Kandidaten nach, Google Cloud-Technologien zu nutzen, um Geschäftsprobleme mithilfe von maschinellem Lernen zu lösen.
Holen Sie sich die Unterstützung, die Sie brauchen. Melden Sie sich für unseren Kurs mit Lehrer an.
Unterricht
15+ Unterricht | 341+ Übungen | 194+ Tests | 70+ Karteikarten | 70+ Glossar der Begriffe
Testvorbereitung
60+ Fragen vor der Beurteilung | 2+ Ausführliche Tests | 65+ Fragen nach der Bewertung | 120+ Testfragen zur Praxis
Praktische Übungen
12+ LiveLab | 12+ Videoanleitungen | 28+ Minutes
Introduction
- Google Cloud Professional Machine Learning Engineer Certification
- Who Should Buy This Course
- How This Course Is Organized
- Conventions Used in This Course
- Google Cloud Professional ML Engineer Objective Map
Framing ML Problems
- Translating Business Use Cases
- Machine Learning Approaches
- ML Success Metrics
- Responsible AI Practices
- Summary
- Exam Essentials
Exploring Data and Building Data Pipelines
- Visualization
- Statistics Fundamentals
- Data Quality and Reliability
- Establishing Data Constraints
- Running TFDV on Google Cloud Platform
- Organizing and Optimizing Training Datasets
- Handling Missing Data
- Data Leakage
- Summary
- Exam Essentials
Feature Engineering
- Consistent Data Preprocessing
- Encoding Structured Data Types
- Class Imbalance
- Feature Crosses
- TensorFlow Transform
- GCP Data and ETL Tools
- Summary
- Exam Essentials
Choosing the Right ML Infrastructure
- Pretrained vs. AutoML vs. Custom Models
- Pretrained Models
- AutoML
- Custom Training
- Provisioning for Predictions
- Summary
- Exam Essentials
Architecting ML Solutions
- Designing Reliable, Scalable, and Highly Available ML Solutions
- Choosing an Appropriate ML Service
- Data Collection and Data Management
- Automation and Orchestration
- Serving
- Summary
- Exam Essentials
Building Secure ML Pipelines
- Building Secure ML Systems
- Identity and Access Management
- Privacy Implications of Data Usage and Collection
- Summary
- Exam Essentials
Model Building
- Choice of Framework and Model Parallelism
- Modeling Techniques
- Transfer Learning
- Semi‐supervised Learning
- Data Augmentation
- Model Generalization and Strategies to Handle Overfitting and Underfitting
- Summary
- Exam Essentials
Model Training and Hyperparameter Tuning
- Ingestion of Various File Types into Training
- Developing Models in Vertex AI Workbench by Using Common Frameworks
- Training a Model as a Job in Different Environments
- Hyperparameter Tuning
- Tracking Metrics During Training
- Retraining/Redeployment Evaluation
- Unit Testing for Model Training and Serving
- Summary
- Exam Essentials
Model Explainability on Vertex AI
- Model Explainability on Vertex AI
- Summary
- Exam Essentials
Scaling Models in Production
- Scaling Prediction Service
- Serving (Online, Batch, and Caching)
- Google Cloud Serving Options
- Hosting Third‐Party Pipelines (MLflow) on Google Cloud
- Testing for Target Performance
- Configuring Triggers and Pipeline Schedules
- Summary
- Exam Essentials
Designing ML Training Pipelines
- Orchestration Frameworks
- Identification of Components, Parameters, Triggers, and Compute Needs
- System Design with Kubeflow/TFX
- Hybrid or Multicloud Strategies
- Summary
- Exam Essentials
Model Monitoring, Tracking, and Auditing Metadata
- Model Monitoring
- Model Monitoring on Vertex AI
- Logging Strategy
- Model and Dataset Lineage
- Vertex AI Experiments
- Vertex AI Debugging
- Summary
- Exam Essentials
Maintaining ML Solutions
- MLOps Maturity
- Retraining and Versioning Models
- Feature Store
- Vertex AI Permissions Model
- Common Training and Serving Errors
- Summary
- Exam Essentials
BigQuery ML
- BigQuery – Data Access
- BigQuery ML Algorithms
- Explainability in BigQuery ML
- BigQuery ML vs. Vertex AI Tables
- Interoperability with Vertex AI
- BigQuery Design Patterns
- Summary
- Exam Essentials
Exploring Data and Building Data Pipelines
- Splitting Data
- Transforming Categorical Data into Numerical Data
Feature Engineering
- Performing EDA
- Using Tensorflow Transform
Choosing the Right ML Infrastructure
- Using Natural Language AI
Architecting ML Solutions
- Storing Data in BigQuery
Building Secure ML Pipelines
- Creating a User-Managed Notebook
Model Building
- Building a DNN Network
- Building an ANN Model
Maintaining ML Solutions
- Using TensorFlow Data Validation (TFDV)
BigQuery ML
- Creating a Model in BigQuery
- Importing BigQuery Data into Vertex AI
Haben Sie Fragen? Schauen Sie sich die FAQs an
Sie haben noch unbeantwortete Fragen und möchten Kontakt aufnehmen?
Kontaktiere uns jetzt200 USD (zzgl. Steuern, sofern zutreffend)
Multiple-Choice- und Multiple-Select-Fragen
Die Prüfung umfasst 50–60 Fragen.
120 Minuten
Hier sind die Richtlinien für die Wiederholung:
- Cloud Digital Leader: Sie haben innerhalb eines Jahres maximal zehn Versuche und müssen zwischen jedem Fehlversuch mindestens 14 Tage warten.
- Associate- und Professional-Zertifizierungsprüfungen: Sie haben in zwei Jahren maximal vier Versuche. Wenn Sie die Prüfung nicht bestehen, können Sie sie nach 14 Tagen wiederholen. Wenn Sie die Prüfung beim zweiten Mal nicht bestehen, müssen Sie 60 Tage warten, bevor Sie die Prüfung ein drittes Mal ablegen können. Wenn Sie die Prüfung beim dritten Mal nicht bestehen, müssen Sie 365 Tage warten, bevor Sie die Prüfung ein viertes Mal ablegen können.