Einstieg in ML: mehr als 25 Ressourcen für jede Rolle und Aufgabe

Wie gelingt der Einstieg in Vertex AI? Nachfolgend finden Sie eine Liste mit Ressourcen, mit denen Sie Ihre Kenntnisse über Data Science, Machine Learning und künstliche Intelligenz in der Google Cloud erweitern und vertiefen können.

Wir haben die Ressourcen nach den Themenbereichen Data Analysts, Data Scientists, ML Engineers oder Software Engineers gegliedert, wobei es viele Überschneidungen zwischen diesen Rollen gibt. Einige Ressourcen für Data Scientists sind also auch für ML Engineers oder Entwickler*innen nützlich.

Data Analyst

Data Analysts helfen ihren Stakeholdern, den Wert ihrer Daten zu erkennen. Sie erschließen und analysieren Daten und modellieren damit Business-Szenarien.

Datenexploration und Feature Engineering

• [Leitfaden] Exploratory Data Analysis for Feature Selection in Machine Learning

• [Dokumentation] Feature preprocessing in BigQuery

Datenvisualisierung

• [Leitfaden] Visualizing BigQuery data using Data Studio

• [Blog] Go from Database to Dashboard with BigQuery and Looker

Data Scientist

Um Erkenntnisse aus Daten zu gewinnen, setzen Data Scientists Techniken wie umfassende explorative Datenanalyse, Visualisierung, Feature Engineering und Modellierung ein. Ein guter Einstieg in diese Themen sind die Best Practices für die Implementierung von maschinellem Lernen in Google Cloud.

Modell-Registry

• [Video] AI/ML Notebooks how to with Apache Spark, BigQuery ML and  Vertex AI Model Registry

Modell-Training

• [Codelab] Train models with the Vertex AI Workbench notebook executor

• [Codelab] Use autopackaging to fine tune Bert with Hugging Face on Vertex AI Training

• [Blog] How To train and tune PyTorch models on Vertex AI

Modell-Training im großen Maßstab

• [Codelab] Multi-Worker Training and Transfer Learning with TensorFlow

• [Blog] Optimize training performance with Reduction Server on Vertex AI

• [Video] Distributed training on Vertex AI Workbench 

Modell-Tuning

• [Codelab] Hyperparameter tuning

• [Video] Faster model training and experimentation with Vertex AI

Modell-Bereitstellung

• [Blog] How to deploy PyTorch models on Vertex AI

• [Blog] 5 steps to go from a notebook to a deployed model

ML Engineer

Die folgenden Ressourcen richten sich an ML Engineers und setzen Schwerpunkte bei den Themen MLOps, Operationalisierung von Feature Management, Modell-Bereitstellung und Monitoring sowie CI/CD mit ML-Pipelines.

Feature Management

• [Blog] Kickstart your organization’s ML application development flywheel with the Vertex Feature Store

• [Video] Introduction to Vertex AI Feature Store

Modell-Monitoring

• [Blog] Monitoring feature attributions: How Google saved one of the largest ML services in trouble

ML Pipelines

• [Blog] Orchestrating PyTorch ML Workflows on Vertex AI Pipelines

• [Codelab] Intro to Vertex Pipelines

• [Codelab] Using Vertex ML Metadata with Pipelines

Machine Learning Operations

• [Guide] MLOps: Continuous delivery and automation pipelines in machine learning

Software Engineer mit ML-Anwendungen

Die folgenden Ressourcen sind hilfreich für Software Engineers, die ML hauptsächlich in Anwendungen einsetzen und weniger Zeit mit Datenmanipulation, Modellerstellung oder MLOps verbringen.

• [Blog] Find anything blazingly fast with Google's vector search technology

• [Blog] Using Vertex AI for rapid model prototyping and deployment

• [Video] Machine Learning for developers in a hurry

Die passende Ressource nicht gefunden?

Benötigen Sie weitere Informationen, können aber das Gesuchte nicht finden? Wir helfen Ihnen gerne! Schreiben Sie uns auf LinkedIn:

• Nikita Namjoshi

• Polong Lin