Tutoriais de blocos de notas de inferência do Vertex AI

Este documento contém uma lista de tutoriais de blocos de notas de previsão do Vertex AI disponíveis. Estes tutoriais completos ajudam a começar a usar a previsão do Vertex AI e podem dar-lhe ideias sobre como implementar um projeto específico.

Existem muitos ambientes nos quais pode alojar blocos de notas. Pode:

• Executá-los na nuvem através de um serviço como o Colaboratory (Colab) ou o Vertex AI Workbench.
• Transfira-os do GitHub e execute-os na sua máquina local.
• Transfira-os do GitHub e execute-os numa implementação do Jupyter ou JupyterLab na sua rede local.

Colab

A execução de um bloco de notas no Colab é uma forma de começar rapidamente.

Para abrir um tutorial de blocos de notas no Colab, clique no link Colab na lista de blocos de notas. O Colab cria uma instância de VM com todas as dependências necessárias, inicia o ambiente do Colab e carrega o bloco de notas.

Vertex AI Workbench

Também pode executar o bloco de notas numa instância do Vertex AI Workbench. Com uma instância do Vertex AI Workbench, tem algum controlo sobre a VM de alojamento. Por exemplo, pode especificar a configuração e o ambiente da VM de alojamento.

Para abrir um tutorial de notebook numa instância do Vertex AI Workbench:

1. Clique no link Vertex AI Workbench na lista de blocos de notas.
2. No ecrã Implementar no bloco de notas, escreva um nome para a nova instância do Vertex AI Workbench e clique em Criar.
3. Na caixa de diálogo Pronto para abrir o bloco de notas apresentada após o início da instância, clique em Abrir.
4. Na página Confirmar implementação no servidor de blocos de notas, selecione Confirmar.
5. Antes de executar o bloco de notas, selecione Kernel > Reiniciar kernel e limpar todas as saídas.

Lista de blocos de notas

Selecione um serviço AutoML BigQuery BigQuery ML Formação personalizada Imagem Ray no Vertex AI Tabular Texto Vector Search Vertex AI Experiments Vertex AI Feature Store Vertex AI Inference Avaliação de modelos da Vertex AI Vertex AI Model Monitoring Registo de modelos Vertex AI Vertex AI Pipelines Vertex AI TensorBoard Vertex AI Vizier Vertex AI Workbench Vertex Explainable AI Vertex ML Metadata

Serviços	Descrição	Abrir em
Classificação de dados tabulares	Preparação e previsão de dados tabulares com o AutoML. Saiba como preparar e fazer previsões num modelo do AutoML com base num conjunto de dados tabulares. Saiba mais sobre a classificação de dados tabulares. Passos do tutorial Crie uma tarefa de preparação de modelos do Vertex AI. Prepare um modelo tabular do AutoML. Implemente o recurso de modelo num recurso de ponto final de publicação. Faça uma previsão enviando dados. Anule a implementação do recurso do modelo.	Colab Colab Enterprise GitHub Vertex AI Workbench
Obtenha previsões a partir de um modelo de classificação de imagens	Preparação do modelo de classificação de imagens do AutoML para a previsão em lote. Neste tutorial, cria um modelo de classificação de imagens do AutoML a partir de um script Python e, em seguida, faz uma previsão em lote com o SDK do Vertex. Saiba mais sobre como obter previsões a partir de um modelo de classificação de imagens. Passos do tutorial Crie um recurso de conjunto de dados do Vertex AI. Prepare o modelo. Veja a avaliação do modelo. Fazer uma previsão em lote.	Colab Colab Enterprise GitHub Vertex AI Workbench
Obtenha previsões a partir de um modelo de classificação de imagens	Preparação do modelo de classificação de imagens do AutoML para a previsão online. Neste tutorial, cria um modelo de classificação de imagens do AutoML e implementa-o para a previsão online a partir de um script Python com o SDK do Vertex. Saiba mais sobre como obter previsões a partir de um modelo de classificação de imagens. Passos do tutorial Crie um recurso do Vertex Dataset. Prepare o modelo. Veja a avaliação do modelo. Implemente o recurso Model num recurso de publicação Endpoint. Faça uma previsão. Anule a implementação do Model.	Colab Colab Enterprise GitHub Vertex AI Workbench
AutoML	Preparação do modelo de deteção de objetos de imagens do AutoML para exportação para a extremidade. Neste tutorial, cria um modelo de deteção de objetos de imagem do AutoML a partir de um script Python com o SDK do Vertex e, em seguida, exporta o modelo como um modelo de limite no formato TFLite. Passos do tutorial Crie um recurso de conjunto de dados do Vertex AI. Prepare o modelo. Exporte o modelo de limite do recurso de modelo para o Cloud Storage. Transfira o modelo localmente. Faça uma previsão local.	Colab Colab Enterprise GitHub Vertex AI Workbench
Deteção de objetos para dados de imagens	Preparação de um modelo de deteção de objetos de imagens do AutoML para a previsão online. Neste tutorial, cria um modelo de deteção de objetos de imagens do AutoML e implementa-o para a previsão online a partir de um script Python com o SDK do Vertex AI. Saiba mais sobre a deteção de objetos para dados de imagens. Passos do tutorial Crie um recurso de conjunto de dados do Vertex AI. Prepare o modelo. Veja a avaliação do modelo. Implemente o recurso de modelo num recurso de ponto final de publicação. Faça uma previsão. Anule a implementação do modelo.	Colab Colab Enterprise GitHub Vertex AI Workbench
Fluxo de trabalho tabular para o AutoML E2E	Pipelines de fluxo de trabalho do AutoML Tabular. Saiba como criar dois modelos de regressão usando pipelines da Vertex AI transferidos dos componentes de pipeline do Google Cloud . Saiba mais sobre o fluxo de trabalho tabular para o AutoML de E2E. Passos do tutorial Crie um pipeline de preparação que reduza o espaço de pesquisa da predefinição para poupar tempo. Crie um pipeline de preparação que reutilize os resultados da pesquisa de arquitetura do pipeline anterior para poupar tempo.	Colab Colab Enterprise GitHub Vertex AI Workbench
Formação do AutoML	Comece a usar a preparação do AutoML. Saiba como usar o AutoML para a preparação com o Vertex AI. Saiba mais sobre a preparação do AutoML. Passos do tutorial Prepare um modelo de imagem Exporte o modelo de imagem como um modelo de limite Prepare um modelo tabular Exporte o modelo tabular como um modelo na nuvem Prepare um modelo de texto Prepare um modelo de vídeo	Colab Colab Enterprise GitHub Vertex AI Workbench
Previsão hierárquica para dados tabulares	Preparação do Vertex AI AutoML para previsões hierárquicas para previsões em lote. Neste tutorial, cria um modelo de previsão hierárquica do AutoML e implementa-o para a previsão em lote através do SDK do Vertex AI para Python. Saiba mais sobre a previsão hierárquica para dados tabulares. Passos do tutorial Crie um recurso Vertex AI TimeSeriesDataset. Prepare o modelo. Veja a avaliação do modelo. Fazer uma previsão em lote.	Colab Colab Enterprise GitHub Vertex AI Workbench
Deteção de objetos para dados de imagens	Preparação do modelo de deteção de objetos de imagens do AutoML para a previsão em lote. Neste tutorial, cria um modelo de deteção de objetos de imagem do AutoML a partir de um script Python e, em seguida, faz uma previsão em lote com o SDK Vertex AI para Python. Saiba mais sobre a deteção de objetos para dados de imagens. Passos do tutorial Crie um recurso de conjunto de dados do Vertex AI. Prepare o modelo. Veja a avaliação do modelo. Fazer uma previsão em lote.	Colab Colab Enterprise GitHub Vertex AI Workbench
Previsões com o AutoML	Modelo de previsão tabular do AutoML para previsão em lote. Saiba como criar um modelo de previsão tabular do AutoML a partir de um script Python e, em seguida, gerar a previsão em lote com o SDK do Vertex AI. Saiba mais sobre a previsão com o AutoML. Passos do tutorial Crie um recurso de conjunto de dados do Vertex AI. Prepare um recurso de modelo de previsão tabular do AutoML. Obtenha as métricas de avaliação do recurso de modelo. Fazer uma previsão em lote.	Colab Colab Enterprise GitHub Vertex AI Workbench
Regressão para dados tabulares	Preparação do modelo de regressão tabular do AutoML para a previsão em lote com o BigQuery. Saiba como criar um modelo de regressão tabular do AutoML e implementá-lo para a previsão em lote através do SDK do Vertex AI para Python. Saiba mais sobre a regressão para dados tabulares. Passos do tutorial Crie um recurso de conjunto de dados do Vertex AI. Prepare um recurso de modelo de regressão tabular do AutoML. Obtenha as métricas de avaliação do recurso de modelo. Fazer uma previsão em lote.	Colab Colab Enterprise GitHub Vertex AI Workbench
Regressão para dados tabulares	Modelo de regressão tabular de preparação do AutoML para previsão online com o BigQuery. Saiba como criar um modelo de regressão tabular do AutoML e implementá-lo para a previsão online a partir de um script Python com o SDK do Vertex AI. Saiba mais sobre a regressão para dados tabulares. Passos do tutorial Crie um recurso de conjunto de dados do Vertex AI. Prepare o modelo. Veja a avaliação do modelo. Implemente o recurso do modelo num recurso do ponto final de publicação. Faça uma previsão. Anule a implementação do modelo.	Colab Colab Enterprise GitHub Vertex AI Workbench
BigQuery ML	Comece a usar a preparação do BigQuery ML. Saiba como usar o BigQuery ML para a preparação com o Vertex AI. Saiba mais acerca do BigQuery ML. Passos do tutorial Crie uma tabela do BigQuery local no seu projeto Forme um modelo do BigQuery ML Avalie o modelo do BigQuery ML Exporte o modelo do BigQuery ML como um modelo na nuvem Carregue o modelo exportado como um recurso de modelo do Vertex AI Ajuste os hiperparâmetros de um modelo do BigQuery ML com o Vertex AI Vizier Registe automaticamente um modelo do BigQuery ML no Registo de modelos da Vertex AI	Colab Colab Enterprise GitHub Vertex AI Workbench
Preparação personalizada Inferência do Vertex AI	Implementação do modelo de deteção de íris com o FastAPI e a publicação de contentores personalizados da Vertex AI. Saiba como criar, implementar e apresentar um modelo de classificação personalizado na Vertex AI. Saiba mais acerca da preparação personalizada. Saiba mais sobre a inferência da Vertex AI. Passos do tutorial Formar um modelo que usa as medidas da flor como entrada para prever a classe de íris. Guarde o modelo e o pré-processador serializado. Crie um servidor FastAPI para processar previsões e verificações de funcionamento. Crie um contentor personalizado com artefactos do modelo. Carregue e implemente um contentor personalizado nos pontos finais do Vertex AI.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training	Preparar um modelo do TensorFlow com dados do BigQuery. Saiba como criar um modelo preparado de forma personalizada a partir de um script Python num contentor Docker através do SDK Vertex AI para Python e, em seguida, obter uma previsão do modelo implementado enviando dados. Saiba mais sobre o Vertex AI Training. Passos do tutorial Crie um contentor personalizado do Vertex AI TrainingPipeline para preparar um modelo. Prepare um modelo do TensorFlow. Implemente o recurso Model num recurso de publicação Endpoint. Faça uma previsão. Anule a implementação do recurso Model.	Colab Colab Enterprise GitHub Vertex AI Workbench
Formação personalizada	Preparação personalizada com imagem de contentor personalizada e carregamento automático do modelo para o Registo de modelos do Vertex AI. Neste tutorial, vai preparar uma abordagem de imagem de contentor personalizada de um modelo de aprendizagem automática para preparação personalizada no Vertex AI. Saiba mais acerca da preparação personalizada. Passos do tutorial Crie uma tarefa personalizada da Vertex AI para preparar um modelo. Prepare e registe um modelo do TensorFlow com um contentor personalizado. Liste o modelo registado no Registo de modelos do Vertex AI.	Colab Colab Enterprise GitHub Vertex AI Workbench
Cloud Profiler	Monitorize o desempenho da preparação do modelo de perfil com o Cloud Profiler. Saiba como ativar o Cloud Profiler para tarefas de preparação personalizadas. Saiba mais sobre o Cloud Profiler. Passos do tutorial Configure uma conta de serviço e um contentor do Cloud Storage Crie uma instância do Vertex AI TensorBoard Crie e execute uma tarefa de preparação personalizada Veja o painel de controlo do Cloud Profiler	Colab Colab Enterprise GitHub Vertex AI Workbench
Formação personalizada	Comece a usar o Vertex AI Training para XGBoost. Saiba como usar o Vertex AI Training para preparar um modelo personalizado XGBoost. Saiba mais acerca da preparação personalizada. Passos do tutorial Formação com um pacote Python. Precisão dos relatórios durante o ajuste fino dos hiperparâmetros. Guarde os artefactos do modelo no Cloud Storage através do Cloud StorageFuse. Crie um recurso de modelo do Vertex AI.	Colab Colab Enterprise GitHub Vertex AI Workbench
Recursos partilhados em implementações	Comece a usar o Endpoint e a VM partilhada. Saiba como usar pools de recursos de implementação para implementar modelos. Saiba mais sobre os recursos partilhados em implementações. Passos do tutorial Carregue um modelo de classificação de imagens pré-preparado como um recurso Model (modelo A). Carregue um modelo de codificador de frases de texto pré-treinado como um recurso Model (modelo B). Crie um conjunto de recursos de implementação de VMs partilhadas. Apresentar pools de recursos de implementação de VMs partilhadas. Crie dois recursos Endpoint. Implemente o primeiro modelo (modelo A) no primeiro recurso Endpoint usando o conjunto de recursos de implementação. Implemente o segundo modelo (modelo B) no segundo recurso Endpoint usando o conjunto de recursos de implementação. Faça um pedido de previsão com o primeiro modelo implementado (modelo A). Faça um pedido de previsão com o segundo modelo implementado (modelo B).	Colab Colab Enterprise GitHub Vertex AI Workbench
Preparação personalizada Vertex AI Batch Prediction	Preparação personalizada e previsão em lote. Saiba como usar o Vertex AI Training para criar um modelo preparado de forma personalizada e usar o Vertex AI Batch Prediction para fazer uma previsão em lote no modelo preparado. Saiba mais acerca da preparação personalizada. Saiba mais sobre a Vertex AI Batch Prediction. Passos do tutorial Crie uma tarefa personalizada da Vertex AI para preparar um modelo do TensorFlow. Carregue os artefactos do modelo preparado como um recurso de modelo. Fazer uma previsão em lote.	Colab Colab Enterprise GitHub Vertex AI Workbench
Preparação personalizada Inferência do Vertex AI	Preparação personalizada e previsão online. Saiba como usar o Vertex AI Training para criar um modelo preparado de forma personalizada a partir de um script Python num contentor Docker e saiba como usar o Vertex AI Inference para fazer uma previsão no modelo implementado através do envio de dados. Saiba mais acerca da preparação personalizada. Saiba mais sobre a inferência da Vertex AI. Passos do tutorial Crie uma tarefa personalizada Vertex AI para preparar um modelo do TensorFlow. Carregue os artefactos do modelo preparado para um recurso Model. Crie um recurso de publicação Endpoint. Implemente o recurso Model num recurso de publicação Endpoint. Faça uma previsão. Anule a implementação do recurso Model.	Colab Colab Enterprise GitHub Vertex AI Workbench
Conjuntos de dados do BigQuery Utilizadores do Vertex AI para BigQuery	Comece a usar os conjuntos de dados do BigQuery. Saiba como usar o BigQuery como um conjunto de dados para a preparação com o Vertex AI. Saiba mais acerca dos conjuntos de dados do BigQuery. Saiba mais sobre a IA Vertex para utilizadores do BigQuery. Passos do tutorial Crie um recurso de conjunto de dados do Vertex AI a partir de uma tabela do BigQuery compatível com o treino do AutoML. Extraia uma cópia do conjunto de dados do BigQuery para um ficheiro CSV no Cloud Storage compatível com o AutoML ou a preparação personalizada. Selecione linhas de um conjunto de dados do BigQuery para um dataframe pandas compatível com a preparação personalizada. Selecione linhas de um conjunto de dados do BigQuery num formato tf.data.Dataset compatível com modelos do TensorFlow de preparação personalizada. Selecione linhas de ficheiros CSV extraídos num formato tf.data.Dataset compatível para modelos do TensorFlow de preparação personalizada. Crie um conjunto de dados do BigQuery a partir de ficheiros CSV. Extraia dados da tabela do BigQuery para uma DMatrix compatível com modelos XGBoost de preparação personalizada.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Experiments Vertex ML Metadata	Crie a linhagem de experiências do Vertex AI para a preparação personalizada. Saiba como integrar código de pré-processamento em experiências do Vertex AI. Saiba mais sobre as experiências do Vertex AI. Saiba mais sobre o Vertex ML Metadata. Passos do tutorial Execute o módulo para pré-processar dados Crie um artefacto de conjunto de dados Parâmetros de registo Executar módulo para preparar o modelo Parâmetros de registo Crie um artefacto de modelo Atribua a linhagem de acompanhamento ao conjunto de dados, ao modelo e aos parâmetros	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Experiments	Monitorize parâmetros e métricas para modelos preparados localmente. Saiba como usar as experiências da Vertex AI para comparar e avaliar experiências de modelos. Saiba mais sobre as experiências do Vertex AI. Passos do tutorial registar os parâmetros do modelo Registar a perda e as métricas em cada época no Vertex AI TensorBoard registar as métricas de avaliação	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Experiments Vertex AI Pipelines	Compare execuções de pipelines com as experiências do Vertex AI. Saiba como usar as experiências do Vertex AI para registar uma tarefa de pipeline e, em seguida, comparar diferentes tarefas de pipeline. Saiba mais sobre as experiências do Vertex AI. Saiba mais sobre o Vertex AI Pipelines. Passos do tutorial Formalize um componente de formação Crie uma pipeline de preparação Execute vários trabalhos de pipeline e registe os respetivos resultados Compare diferentes tarefas de pipeline	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI TensorBoard	Elimine experiências desatualizadas no Vertex AI TensorBoard. Saiba como eliminar experiências do Vertex AI TensorBoard desatualizadas para evitar custos de armazenamento desnecessários. Saiba mais sobre o Vertex AI TensorBoard. Passos do tutorial Como eliminar a experiência de teste A/B com um par de etiquetas de chave-valor predefinido Como eliminar as experiências de testes A/B criadas antes de create_time Como eliminar as experiências de testes A/B criadas antes de update_time	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Experiments	Registo automático de formação personalizada: script local. Saiba como registar automaticamente parâmetros e métricas de uma experiência de ML executada no Vertex AI Training tirando partido da integração com o Vertex AI Experiments. Passos do tutorial Formalize a experiência do modelo num script Execute a preparação de modelos com um script local no Vertex AI Training Consulte os parâmetros e as métricas de experiências de ML no Vertex AI Experiments	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Experiments Vertex ML Metadata Custom training	Comece a usar as experiências do Vertex AI. Saiba como usar as experiências do Vertex AI quando fizer a preparação com o Vertex AI. Saiba mais sobre as experiências do Vertex AI. Saiba mais sobre o Vertex ML Metadata. Saiba mais acerca da preparação personalizada. Passos do tutorial Treino local (notebook) Crie uma experiência. Crie uma primeira execução na experiência. Registe parâmetros e métricas. Cria a linhagem de artefactos. Visualize os resultados da experiência. Executar uma segunda execução. Compare as duas execuções na experiência. Preparação na nuvem (Vertex AI) No script de preparação	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Experiments	Registo automático. Saiba como usar o registo automático do Vertex AI. Passos do tutorial Ative o registo automático no SDK da Vertex AI. Faça o treino do modelo scikitlearn e veja a execução da experiência resultante com métricas e parâmetros registados automaticamente no Vertex AI Experiments sem definir uma execução da experiência. Prepare o modelo do Tensorflow, verifique as métricas e os parâmetros registados automaticamente nas experiências do Vertex AI definindo manualmente uma execução da experiência com aiplatform.start_run() e aiplatform.end_run(). Desative o registo automático no SDK Vertex AI, prepare um modelo PyTorch e verifique se nenhum dos parâmetros ou métricas é registado.	Colab Colab Enterprise GitHub Vertex AI Workbench
Classificação para dados tabulares Vertex Explainable AI	Explicação em lote para o modelo de classificação binária tabular do AutoML. Saiba como usar o AutoML para criar um modelo de classificação binária tabular a partir de um script Python e, em seguida, saiba como usar o Vertex AI Batch Prediction para fazer previsões com explicações. Saiba mais sobre a classificação de dados tabulares. Saiba mais sobre a Vertex Explainable AI. Passos do tutorial Crie um recurso de conjunto de dados gerido do Vertex AI. Prepare um modelo de classificação binária tabular do AutoML. Veja as métricas de avaliação do modelo preparado. Faça um pedido de previsão em lote com capacidade de explicação.	Colab Colab Enterprise GitHub Vertex AI Workbench
Classificação para dados tabulares Vertex Explainable AI	Preparação do modelo de classificação tabular do AutoML para explicação online. Saiba como usar o AutoML para criar um modelo de classificação binária tabular a partir de um script Python. Saiba mais sobre a classificação de dados tabulares. Saiba mais sobre a Vertex Explainable AI. Passos do tutorial Crie um recurso de conjunto de dados do Vertex AI. Prepare um modelo de classificação binária tabular do AutoML. Veja as métricas de avaliação do modelo preparado. Crie um recurso de ponto final de publicação. Implemente o recurso Model num recurso de ponto final de publicação. Faça um pedido de previsão online com capacidade de explicação. Anule a implementação do recurso Model.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Vertex AI Batch Prediction	Preparação personalizada de um modelo de classificação de imagens para previsão em lote com capacidade de explicação. Saiba como usar o Vertex AI Training and Vertex Explainable AI para criar um modelo de classificação de imagens personalizado com explicações e, em seguida, saiba como usar o Vertex AI Batch Prediction para fazer um pedido de previsão em lote com explicações. Saiba mais sobre a Vertex Explainable AI. Saiba mais sobre a Vertex AI Batch Prediction. Passos do tutorial Crie uma tarefa personalizada Vertex AI para preparar um modelo do TensorFlow. Veja a avaliação do modelo preparado. Defina parâmetros de explicação para quando o modelo é implementado. Carregue os artefactos do modelo preparado e os parâmetros de explicação como um recurso Model. Faça uma previsão em lote com explicações.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Vertex AI Inference	Preparação personalizada de um modelo de classificação de imagens para previsão online com capacidade de explicação. Saiba como usar a preparação da Vertex AI e a Vertex AI explicável para criar um modelo de classificação de imagens personalizado com explicações. Saiba mais sobre a Vertex Explainable AI. Saiba mais sobre a inferência da Vertex AI. Passos do tutorial Crie uma tarefa personalizada da Vertex AI para preparar um modelo do TensorFlow. Veja a avaliação do modelo preparado. Defina parâmetros de explicação para quando o modelo é implementado. Carregue os artefactos e as explicações do modelo preparado como um recurso de modelo. Crie um recurso de ponto final de publicação. Implemente o recurso de modelo num recurso de ponto final de publicação. Fazer uma previsão com explicação. Anule a implementação do recurso do modelo.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Vertex AI Batch Prediction	Modelo de regressão tabular de preparação personalizada para previsão em lote com capacidade de explicação. Saiba como usar a preparação da Vertex AI e a Vertex AI explicável para criar um modelo de classificação de imagens personalizado com explicações. Saiba mais sobre a Vertex Explainable AI. Saiba mais sobre a Vertex AI Batch Prediction. Passos do tutorial Crie uma tarefa personalizada da Vertex AI para preparar um modelo do TensorFlow. Veja a avaliação do modelo preparado. Defina os parâmetros de explicação para o modelo. Carregue os artefactos do modelo preparado como um recurso de modelo. Faça uma previsão em lote com explicações.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Vertex AI Inference	Preparação personalizada de um modelo de regressão tabular para previsão online com capacidade de explicação. Saiba como usar a preparação do Vertex AI e a IA explicável do Vertex para criar um modelo de regressão tabular personalizado com explicações. Saiba mais sobre a Vertex Explainable AI. Saiba mais sobre a inferência da Vertex AI. Passos do tutorial Crie uma tarefa personalizada da Vertex AI para preparar um modelo do TensorFlow. Veja a avaliação do modelo preparado. Defina parâmetros de explicação para quando o modelo é implementado. Carregue os artefactos e as explicações do modelo preparado como um recurso de modelo. Crie um recurso de ponto final de publicação. Implemente o recurso de modelo num recurso de ponto final de publicação. Fazer uma previsão com explicação. Anule a implementação do recurso do modelo.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Vertex AI Inference	Preparação personalizada do modelo de regressão tabular para previsão online com capacidade de explicação através de get_metadata. Saiba como criar um modelo personalizado a partir de um script Python num contentor Docker pré-criado da Google através do SDK do Vertex AI. Saiba mais sobre a Vertex Explainable AI. Saiba mais sobre a inferência da Vertex AI. Passos do tutorial Crie uma tarefa personalizada da Vertex AI para preparar um modelo do TensorFlow. Prepare um modelo do TensorFlow. Recuperar e carregar os artefactos do modelo. Veja a avaliação do modelo preparado. Defina os parâmetros de explicação. Carregue o modelo como um recurso de modelo do Vertex AI. Implemente o recurso Model num recurso de ponto final de publicação. Fazer uma previsão com explicação. Anule a implementação do recurso Model.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Vertex AI Inference	Explicar a classificação de imagens com o Vertex Explainable AI. Saiba como configurar explicações baseadas em caraterísticas num modelo de classificação de imagens pré-preparado e fazer previsões online e em lote com explicações. Saiba mais sobre a Vertex Explainable AI. Saiba mais sobre a inferência da Vertex AI. Passos do tutorial Transfira o modelo pré-treinado do TensorFlow Hub Carregue o modelo para implementação Implemente o modelo para a previsão online Faça previsões online com explicações Faça previsões em lote com explicações	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI	Explicar a classificação de texto com o Vertex Explainable AI. Saiba como configurar explicações baseadas em caraterísticas usando o método de Shapley com amostragem num modelo de classificação de texto do TensorFlow para previsões online com explicações. Saiba mais sobre a Vertex Explainable AI. Passos do tutorial Crie e prepare um modelo de classificação de texto do TensorFlow Carregue o modelo para implementação Implemente o modelo para a previsão online Faça previsões online com explicações	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Serviço e obtenção de funcionalidades online de dados do BigQuery com o Vertex AI Feature Store. Saiba como criar e usar uma instância da loja de funcionalidades online para alojar e publicar dados no BigQuery com a loja de funcionalidades do Vertex AI num fluxo de trabalho completo de publicação de valores de funcionalidades e obtenção do percurso do utilizador. Saiba mais sobre o Vertex AI Feature Store. Passos do tutorial Aprovisione uma instância da loja de funcionalidades online para alojar e publicar dados. Registe uma vista do BigQuery na instância da loja de funcionalidades online e configure a tarefa de sincronização. Use o servidor online para obter valores de funcionalidades para a previsão online.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Publicação de funcionalidades online e obtenção de dados do BigQuery com a publicação otimizada do Vertex AI Feature Store. Saiba como criar e usar uma instância da loja de funcionalidades online para alojar e publicar dados no BigQuery com a loja de funcionalidades do Vertex AI num fluxo de trabalho ponto a ponto de publicação e obtenção de valores de funcionalidades. Saiba mais sobre o Vertex AI Feature Store. Passos do tutorial Aprovisione uma instância da loja de funcionalidades online para alojar e publicar dados através da publicação online otimizada com um ponto final público ou privado. Registe uma vista do BigQuery na instância da loja de funcionalidades online e configure a tarefa de sincronização. Use o servidor online para obter valores de funcionalidades para a previsão online.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Serviço de funcionalidades online e obtenção de vetores de dados do BigQuery com o Vertex AI Feature Store. Saiba como criar e usar uma instância da loja de funcionalidades online para alojar e publicar dados no BigQuery com a loja de funcionalidades do Vertex AI num fluxo de trabalho completo de publicação de funcionalidades e percurso do utilizador de obtenção de vetores. Saiba mais sobre o Vertex AI Feature Store. Passos do tutorial Aprovisione uma instância da loja de funcionalidades online para alojar e publicar dados. Crie uma instância da loja de funcionalidades online para publicar uma tabela do BigQuery. Use o servidor online para pesquisar os vizinhos mais próximos.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Tutorial de fundamentação de MDIs baseados no Vertex AI Feature Store. Saiba como criar e usar uma instância da loja de funcionalidades online para alojar e publicar dados no BigQuery com a loja de funcionalidades do Vertex AI num fluxo de trabalho completo de publicação de funcionalidades e percurso do utilizador de obtenção de vetores. Saiba mais sobre o Vertex AI Feature Store. Passos do tutorial Aprovisione uma instância da loja de funcionalidades online para alojar e publicar dados. Crie uma instância da loja de funcionalidades online para publicar uma tabela do BigQuery. Use o servidor online para pesquisar os vizinhos mais próximos.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Tutorial sobre os agentes de serviço da vista de funcionalidades do Vertex AI Feature Store. Saiba como usar um agente de serviço dedicado para uma visualização de funcionalidades no Vertex AI Feature Store. Saiba mais sobre o Vertex AI Feature Store. Passos do tutorial Crie uma visualização de funcionalidades configurada para usar uma conta de serviço dedicada. É criada uma conta de serviço para cada vista de funcionalidades. Esta conta de serviço é usada para sincronizar dados do BigQuery. A API Get/List feature view devolve a conta de serviço criada automaticamente. Os utilizadores têm de chamar o comando bq addiampolicybinding para conceder roles/bigquery.dataViewer à conta de serviço.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	SDK de importação de streaming no Vertex AI Feature Store (antigo). Saiba como importar funcionalidades de um Pandas DataFrame para o Vertex AI Feature Store através do método write_feature_values do SDK do Vertex AI. Saiba mais sobre o Vertex AI Feature Store. Passos do tutorial Crie um Feature Store. Crie um novo tipo de entidade para o seu Feature Store. Importe valores de funcionalidades de Pandas DataFrame para o tipo de entidade no Feature Store.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Usar o Vertex AI Feature Store (antigo) com o Pandas Dataframe. Saiba como usar o Vertex AI Feature Store com o Dataframe pandas. Saiba mais sobre o Vertex AI Feature Store. Passos do tutorial Crie recursos Featurestore, EntityType e Feature. Importe valores de caraterísticas do Pandas DataFrame para o tipo de entidade. Leia os valores das caraterísticas das entidades da loja de caraterísticas online para o Pandas DataFrame. Forneça em lote valores de funcionalidades da sua Feature Store num Pandas DataFrame. Serviço online com valores de funcionalidades atualizados. Correção de momento para obter valores de funcionalidades para a preparação.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Previsões online e em lote com o Vertex AI Feature Store (antigo). Saiba como usar o Vertex AI Feature Store para importar dados de funcionalidades e aceder aos dados de funcionalidades para a publicação online e tarefas offline, como a preparação. Saiba mais sobre o Vertex AI Feature Store. Passos do tutorial Crie recursos Featurestore, EntityType e Feature. Importe dados de funcionalidades para o recurso Featurestore. Publicar pedidos de previsão online usando as funcionalidades importadas. Aceda a funcionalidades importadas em tarefas offline, como tarefas de preparação. Use a importação de streaming para importar uma pequena quantidade de dados.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vista geral do apoio técnico de IA generativa na Vertex AI	Inferência em lote de LLMs do Vertex AI com modelos otimizados por RLHF. Neste tutorial, vai usar o Vertex AI para obter previsões a partir de um modelo de linguagem (conteúdo extenso) ajustado com RLHF. Saiba mais sobre a vista geral do apoio técnico de IA generativa na Vertex AI. Passos do tutorial Crie uma tarefa do Vertex AI Pipelines com um modelo predefinido para a previsão em massa. Execute o pipeline através do Vertex AI Pipelines. Produzir resultados de previsão com base num modelo para um determinado conjunto de dados.	Colab Enterprise GitHub Vertex AI Workbench
generative_ai	Destilar um modelo de linguagem (conteúdo extenso). Saiba como destilar e implementar um modelo de linguagem (conteúdo extenso) usando o MDI/CE do Vertex AI. Passos do tutorial Obtenha o modelo de MDIs do Vertex AI. Destile o modelo(isto cria automaticamente um ponto final da Vertex AI e implementa o modelo no ponto final). Faça uma previsão com o LLM do Vertex AI.	Colab Colab Enterprise GitHub Vertex AI Workbench
Ajuste os modelos de texto através do ajuste de ARFH	Aprendizagem reforçada pelo feedback humano do Vertex AI LLM. Neste tutorial, vai usar o RLHF do Vertex AI para otimizar e implementar um modelo de linguagem (conteúdo extenso). Saiba mais sobre a ajustar modelos de texto através do ajuste fino de RLHF. Passos do tutorial Defina o número de passos de ajuste do modelo. Crie uma tarefa do Vertex AI Pipelines com um modelo de otimização predefinido. Execute o pipeline através do Vertex AI Pipelines. Obtenha previsões do modelo otimizado.	Colab Colab Enterprise GitHub Vertex AI Workbench
incorporação de texto	Pesquisa semântica com incorporações. Neste tutorial, demonstramos como criar uma incorporação gerada a partir de texto e realizar uma pesquisa semântica. Saiba mais sobre a incorporação de texto. Passos do tutorial Instalação e importações Crie um conjunto de dados de incorporação Crie um índice Consultar o índice	Colab Colab Enterprise GitHub Vertex AI Workbench
generative_ai	Obter incorporações de texto no Vertex AI. Saiba como obter uma incorporação de texto dado um modelo de incorporação de texto e um texto. Passos do tutorial	Colab Colab Enterprise GitHub Vertex AI Workbench
generative_ai	Obter incorporações de texto no Vertex AI. Saiba como obter uma incorporação de texto dado um modelo de incorporação de texto e um texto. Passos do tutorial	Colab Colab Enterprise GitHub Vertex AI Workbench
Ajuste os modelos de texto através do ajuste supervisionado	Ajustar um modelo PEFT com a Vertex AI. Saiba como usar o GML da Vertex AI para ajustar e implementar um grande modelo de linguagem PEFT. Saiba mais sobre a ajustar modelos de texto usando o ajuste supervisionado. Passos do tutorial Obtenha o modelo de MDIs do Vertex AI. Ajuste o modelo. Isto cria automaticamente um ponto final do Vertex AI e implementa o modelo no mesmo. Faça uma previsão com o LLM do Vertex AI. Faça uma previsão com a Vertex AI Inference.	Colab Colab Enterprise GitHub Vertex AI Workbench
generative_ai	Obter incorporações de texto ajustadas no Vertex AI. Saiba como otimizar um modelo de incorporação de texto. Passos do tutorial	Colab GitHub Vertex AI Workbench
API PaLM	Usar o SDK da Vertex AI com modelos de linguagem (conteúdo extenso). Saiba como fornecer introdução de texto a modelos de linguagem (conteúdo extenso) disponíveis na Vertex AI para testar, otimizar e implementar modelos de linguagem de IA generativa. Saiba mais acerca da API PaLM. Passos do tutorial Use os pontos finais de previsão da API Vertex AI PaLM para receber respostas de IA generativa a uma mensagem. Use o ponto final de incorporação de texto para receber uma representação vetorial de uma mensagem. Realizar o ajuste de comandos de um MDI/CE com base nos dados de preparação de entrada/saída.	Colab Colab Enterprise GitHub Vertex AI Workbench
Migre para o Vertex AI Classificação para dados de imagens	AutoML Image Classification. Saiba como usar o AutoML para preparar um modelo de imagem e usar o Vertex AI Inference e o Vertex AI batch inference para fazer previsões online e em lote. Saiba como migrar para a Vertex AI. Saiba mais acerca da classificação de dados de imagens. Passos do tutorial Prepare um modelo de classificação de imagens da AutoML. Fazer uma previsão em lote. Implemente o modelo num ponto final Faça uma previsão online	Colab Colab Enterprise GitHub Vertex AI Workbench
Migre para o Vertex AI Deteção de objetos para dados de imagens	Deteção de objetos de imagens com o AutoML. Saiba como usar o AutoML para preparar um modelo de imagem e usar o Vertex AI Inference e o Vertex AI Batch Prediction para fazer previsões online e em lote. Saiba como migrar para a Vertex AI. Saiba mais sobre a deteção de objetos para dados de imagens. Passos do tutorial Prepare um modelo de deteção de objetos do AutoML. Fazer uma previsão em lote. Implemente o modelo num ponto final Faça uma previsão online	Colab Colab Enterprise GitHub Vertex AI Workbench
Migre para o Vertex AI Classificação para dados tabulares	Classificação binária tabular do AutoML. Neste tutorial, cria um modelo de classificação binária tabular do AutoML e implementa-o para a previsão online a partir de um script Python com o SDK do Vertex AI. Saiba como migrar para a Vertex AI. Saiba mais sobre a classificação de dados tabulares. Passos do tutorial Crie um recurso de conjunto de dados do Vertex AI. Prepare o modelo. Veja a avaliação do modelo. Implemente o recurso de modelo num recurso de ponto final de publicação. Faça uma previsão. Anule a implementação do modelo	Colab Colab Enterprise GitHub Vertex AI Workbench
Migre para o Vertex AI Preparação personalizada	Classificação de imagens personalizada com um contentor de preparação personalizado. Saiba como preparar um modelo de classificação de imagens do TensorFlow usando um contentor personalizado e a preparação do Vertex AI. Saiba como migrar para a Vertex AI. Saiba mais acerca da preparação personalizada. Passos do tutorial Empacote o código de preparação numa aplicação Python. Coloque a aplicação de preparação em contentor através do Cloud Build e do Artifact Registry. Crie uma tarefa de preparação de contentores personalizados no Vertex AI e execute-a. Avalie o modelo gerado a partir da tarefa de preparação. Crie um recurso de modelo para o modelo preparado no Registo de modelos Vertex AI. Execute uma tarefa de inferência em lote do Vertex AI. Implemente o recurso de modelo num ponto final do Vertex AI. Execute uma tarefa de previsão online no recurso do modelo. Limpe os recursos criados.	Colab Colab Enterprise GitHub Vertex AI Workbench
Migre para o Vertex AI Vista geral da preparação personalizada	Classificação de imagens personalizada com um contentor de preparação pré-criado. Saiba como preparar um modelo de classificação de imagens do TensorFlow usando um contentor pré-criado e a preparação do Vertex AI. Saiba como migrar para a Vertex AI. Saiba mais acerca da vista geral da preparação personalizada. Passos do tutorial Empacote o código de preparação numa aplicação Python. Coloque a aplicação de preparação em contentor através do Cloud Build e do Artifact Registry. Crie uma tarefa de preparação de contentores personalizados no Vertex AI e execute-a. Avalie o modelo gerado a partir da tarefa de preparação. Crie um recurso de modelo para o modelo preparado no Registo de modelos Vertex AI. Execute uma tarefa de inferência em lote do Vertex AI. Implemente o recurso de modelo num ponto final do Vertex AI. Execute uma tarefa de previsão online no recurso do modelo. Limpe os recursos criados.	Colab Colab Enterprise GitHub Vertex AI Workbench
Migre para o Vertex AI Vista geral da preparação personalizada	Modelo Scikit-Learn personalizado com contentor de preparação pré-criado. Saiba como usar o Vertex AI Training para criar um modelo preparado de forma personalizada. Saiba como migrar para a Vertex AI. Saiba mais acerca da vista geral da preparação personalizada. Passos do tutorial Crie uma tarefa personalizada da Vertex AI para preparar um modelo do scikitlearn. Carregue os artefactos do modelo preparado como um recurso de modelo. Gerar previsões em lote. Implemente o recurso de modelo num recurso de ponto final de publicação. Gerar previsões online. Anule a implementação do recurso do modelo.	Colab Colab Enterprise GitHub Vertex AI Workbench
Migre para o Vertex AI Vista geral da preparação personalizada	Modelo XGBoost personalizado com contentor de preparação pré-criado. Saiba como usar o Vertex AI Training para criar um modelo preparado de forma personalizada. Saiba como migrar para a Vertex AI. Saiba mais acerca da vista geral da preparação personalizada. Passos do tutorial Crie uma tarefa personalizada da Vertex AI para preparar um modelo xgboost. Carregue os artefactos do modelo preparado como um recurso de modelo. Gerar previsões em lote. Implemente o recurso de modelo num recurso de ponto final de publicação. Gerar previsões online. Anule a implementação do recurso do modelo.	Colab Colab Enterprise GitHub Vertex AI Workbench
Aperfeiçoamento de hiperparâmetros do Vertex AI Preparação personalizada	Aperfeiçoamento de hiperparâmetros. Saiba como usar o hiperparâmetro da Vertex AI para criar e otimizar um modelo preparado de forma personalizada. Saiba mais acerca da ajuste de hiperparâmetros da Vertex AI. Saiba mais acerca da preparação personalizada. Passos do tutorial Crie uma tarefa de hiperaperfeiçoamento dos parâmetros do Vertex AI para preparar um modelo do TensorFlow.	Colab Colab Enterprise GitHub Vertex AI Workbench
Documentação do Google Artifact Registry	Comece a usar o Google Artifact Registry. Saiba como usar o Google Artifact Registry. Saiba mais acerca da documentação do Google Artifact Registry. Passos do tutorial Criar um repositório Docker privado. Etiquetar uma imagem de contentor, específica do repositório Docker privado. Enviar uma imagem de contentor para o repositório Docker privado. Extrair uma imagem de contentor do repositório privado do Docker. Eliminar um repositório Docker privado.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex ML Metadata	Acompanhe parâmetros e métricas para tarefas de preparação personalizadas. Saiba como usar o SDK Vertex AI para Python para: Passos do tutorial Acompanhe os parâmetros de preparação e as métricas de previsão de uma tarefa de preparação personalizada. Extrair e realizar análises para todos os parâmetros e métricas numa experiência.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex ML Metadata	Monitorize parâmetros e métricas para modelos preparados localmente. Saiba como usar os metadados do Vertex ML para acompanhar os parâmetros de preparação e as métricas de avaliação. Saiba mais sobre o Vertex ML Metadata. Passos do tutorial Acompanhe os parâmetros e as métricas de um modelo preparado localmente. Extraia e faça a análise de todos os parâmetros e métricas numa experiência.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex ML Metadata Vertex AI Pipelines	Monitorize artefactos e métricas em execuções do Vertex AI Pipelines através do Vertex ML Metadata. Saiba como acompanhar artefactos e métricas com o Vertex ML Metadata em execuções do Vertex AI Pipelines. Saiba mais sobre o Vertex ML Metadata. Saiba mais sobre o Vertex AI Pipelines. Passos do tutorial Use o SDK Kubeflow Pipelines para criar um pipeline de ML que é executado no Vertex AI. O pipeline cria um conjunto de dados, prepara um modelo do scikitlearn e implementa o modelo num ponto final. Escrever componentes de pipeline personalizados que geram artefactos e metadados. Compare execuções do Vertex AI Pipelines, tanto na Google Cloud consola como programaticamente. Rastreie a linhagem dos artefactos gerados por pipelines. Consultar os metadados de execução do pipeline.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Evaluation Classificação para dados tabulares	Avaliar os resultados da previsão em lote de um modelo de classificação tabular do AutoML. Saiba como preparar um modelo de classificação tabular do Vertex AI AutoML e como o avaliar através de uma tarefa de pipeline do Vertex AI com google_cloud_pipeline_components: Saiba mais sobre a avaliação de modelos do Vertex AI. Saiba mais sobre a classificação de dados tabulares. Passos do tutorial Crie um Vertex AI Dataset. Prepare um modelo de classificação tabular do AutoML no recurso Dataset. Importe o AutoML model resource preparado para o pipeline. Execute uma tarefa Batch Prediction. Avalie o modelo do AutoML com a função Classification Evaluation component. Importe as métricas de classificação para o recurso do modelo do AutoML.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Evaluation Regressão para dados tabulares	Avaliar os resultados da previsão em lote do modelo de regressão tabular do AutoML. Saiba como avaliar um recurso de modelo do Vertex AI através de uma tarefa de pipeline do Vertex AI com google_cloud_pipeline_components: Saiba mais sobre a avaliação de modelos do Vertex AI. Saiba mais sobre a regressão para dados tabulares. Passos do tutorial Crie um conjunto de dados do Vertex AI. Configure uma turma do AutoMLTabularTrainingJob. Execute o AutoMLTabularTrainingJob que devolve um modelo. Importe um modelo pré-treinado AutoML model resource para o pipeline. Execute uma tarefa batch prediction no pipeline. Avalie o modelo do AutoML com a função regression evaluation component. Importe as métricas de regressão geradas para o recurso do modelo AutoML.	Colab Colab Enterprise GitHub Vertex AI Workbench
Preparação personalizada do Vertex AI Avaliação de modelos do Vertex AI	Avaliar os resultados da BatchPrediction de um modelo de classificação tabular personalizado. Neste tutorial, vai preparar um modelo RandomForest do scikit-learn, guardá-lo no Vertex AI Model Registry e aprender a avaliá-lo através de uma tarefa de pipeline do Vertex AI com o SDK Python dos componentes de pipeline do Google Cloud. Saiba mais sobre a preparação personalizada da Vertex AI. Saiba mais sobre a avaliação de modelos da Vertex AI. Passos do tutorial Obtenha o conjunto de dados da origem pública. Pré-processe os dados localmente e guarde os dados de teste no BigQuery. Prepare um modelo de classificação RandomForest localmente com o pacote Python scikitlearn. Crie um contentor personalizado no Artifact Registry para previsões. Carregue o modelo no Registo de modelos do Vertex AI. Crie e execute um pipeline do Vertex AI que	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Evaluation Preparação personalizada	Avaliar os resultados da previsão em lote do modelo de regressão tabular personalizado. Saiba como avaliar um recurso de modelo do Vertex AI através de uma tarefa de pipeline do Vertex AI com componentes de pipeline do Google Cloud. Saiba mais sobre a avaliação de modelos do Vertex AI. Saiba mais acerca da preparação personalizada. Passos do tutorial Crie uma tarefa de preparação personalizada da Vertex AI para preparar um modelo do TensorFlow. Execute a tarefa de preparação personalizada. Recuperar e carregar os artefactos do modelo. Veja a avaliação do modelo. Carregue o modelo como um recurso de modelo do Vertex AI. Importe um recurso de modelo do Vertex AI pré-preparado para o pipeline. Execute uma tarefa de previsão em lote no pipeline. Avalie o modelo através do componente de avaliação de regressão. Importe as métricas de regressão para o recurso de modelo do Vertex AI.	Colab Colab Enterprise GitHub Vertex AI Workbench
Avaliação de modelos AutoSxS da Vertex AI	Verifique o alinhamento do avaliador automático com um conjunto de dados de preferências humanas. Saiba como usar o Vertex AI Pipelines e o google_cloud_pipeline_components para verificar o alinhamento do avaliador automático com dados de preferências humanas: Saiba mais sobre a avaliação de modelos AutoSxS do Vertex AI. Passos do tutorial Crie um conjunto de dados de avaliação com previsões e dados de preferências humanas. Pré-processe os dados localmente e guarde-os no Cloud Storage. Crie e execute um pipeline AutoSxS do Vertex AI que gere os julgamentos e um conjunto de métricas AutoSxS com base nos julgamentos gerados. Imprimir os julgamentos e as métricas AutoSxS. Limpe os recursos criados neste bloco de notas.	Colab Colab Enterprise GitHub Vertex AI Workbench
Avaliação de modelos AutoSxS da Vertex AI	Avalie um MDG no Registo de modelos do Vertex AI em comparação com um modelo de terceiros. Saiba como usar o Vertex AI Pipelines e o google_cloud_pipeline_components para avaliar o desempenho entre dois modelos de MDG: Saiba mais sobre a avaliação de modelos AutoSxS do Vertex AI. Passos do tutorial Obtenha o conjunto de dados da origem pública. Pré-processe os dados localmente e guarde os dados de teste no Cloud Storage. Crie e execute um pipeline AutoSxS do Vertex AI que gere os julgamentos e avalie os dois modelos candidatos com os julgamentos gerados. Imprima os julgamentos e as métricas de avaliação. Limpe os recursos criados neste bloco de notas.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring para previsões em lote	Vertex AI Batch Prediction com Model Monitoring. Saiba como usar o serviço de monitorização de modelos do Vertex AI para detetar desvios e anomalias na previsão em lote. Saiba mais sobre o Vertex AI Model Monitoring para previsões em lote. Passos do tutorial Carregue um modelo pré-preparado como um recurso de modelo do Vertex AI. Gerar pedidos de previsão em lote. Interprete as estatísticas, as visualizações e outros dados comunicados pela funcionalidade de monitorização de modelos.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring para modelos tabulares do AutoML. Saiba como usar o serviço de monitorização de modelos do Vertex AI para detetar a distorção e a variação das caraterísticas nos pedidos de previsão de entrada para modelos tabulares do AutoML. Saiba mais sobre o Vertex AI Model Monitoring. Passos do tutorial Prepare um modelo do AutoML. Implemente o recurso de modelo num recurso de ponto final do Vertex AI. Configure o recurso de ponto final para a monitorização de modelos. Gerar pedidos de previsão sintéticos para desvio. Gere pedidos de previsão sintéticos para a deriva. Aguarde a notificação de alerta por email.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring para a previsão online em modelos de imagens do AutoML. Saiba como usar o Vertex AI Model Monitoring com o Vertex AI Online Prediction com um modelo de classificação de imagens do AutoML para detetar uma imagem fora da distribuição. Saiba mais sobre o Vertex AI Model Monitoring. Passos do tutorial 1. Prepare um modelo de classificação de imagens da AutoML. 2. Crie um ponto final. 3. Implemente o modelo no ponto final e configure-o para a monitorização de modelos. 4. Envie uma previsão online que contenha imagens dentro e fora da distribuição. 5. Use a monitorização de modelos para calcular a pontuação de anomalias em cada imagem. 6. Identifique as imagens no pedido de previsão online que estão fora da distribuição.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring para modelos tabulares personalizados. Saiba como usar o serviço de monitorização de modelos da Vertex AI para detetar a assimetria e a variação das caraterísticas nos pedidos de previsão de entrada, para modelos tabulares personalizados. Saiba mais sobre o Vertex AI Model Monitoring. Passos do tutorial Transfira um modelo tabular personalizado pré-treinado. Carregue o modelo pré-preparado para o Registo de modelos do Vertex AI. Implemente o recurso de modelo num recurso de ponto final do Vertex AI. Configure o recurso de ponto final para a monitorização de modelos. Gere pedidos de previsão sintéticos para simular a assimetria. Aguarde pelas notificações de alerta por email. Gere pedidos de previsão sintéticos para simular a variação. Aguarde pelas notificações de alerta por email.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring para modelos tabulares personalizados com o contentor TensorFlow Serving. Saiba como usar o serviço de monitorização de modelos da Vertex AI para detetar a distorção e a variação das caraterísticas nos pedidos de previsão de entrada, para modelos tabulares personalizados, usando um contentor de implementação personalizado. Saiba mais sobre o Vertex AI Model Monitoring. Passos do tutorial Transfira um modelo tabular personalizado pré-treinado. Carregue o modelo pré-treinado como um recurso de modelo. Implementar o recurso do modelo num recurso do ponto final com o binário de publicação "TensorFlow Serving". Configure o recurso Endpoint para a monitorização de modelos. Gerar pedidos de previsão sintéticos para desvio. Aguarde a notificação de alerta por email. Gere pedidos de previsão sintéticos para a deriva. Aguarde a notificação de alerta por email.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring para configuração de modelos tabulares. Saiba como configurar o serviço de monitorização de modelos da Vertex AI para detetar a distorção e a deriva das funcionalidades nos pedidos de previsão de entrada. Saiba mais sobre o Vertex AI Model Monitoring. Passos do tutorial Transfira um modelo tabular personalizado pré-treinado. Carregue o modelo pré-treinado como um recurso de modelo. Implemente o recurso do modelo no recurso do ponto final. Configure o recurso de ponto final para a monitorização de modelos. Deteção de desvio e deriva para entradas de funcionalidades. Deteção de desvio e deriva para atribuições de funcionalidades. Geração automática do esquema de entrada através do envio de 1000 pedidos de previsão. Listar, pausar, retomar e eliminar tarefas de monitorização. Reinicie a tarefa de monitorização com um esquema de entrada predefinido. Veja os dados monitorizados registados.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring para modelos XGBoost. Saiba como usar o serviço Vertex AI Model Monitoring para detetar a distorção e a variação das caraterísticas nos pedidos de previsão de entrada para modelos XGBoost. Saiba mais sobre o Vertex AI Model Monitoring. Passos do tutorial Transfira um modelo XGBoost pré-treinado. Carregue o modelo pré-preparado para o Registo de modelos do Vertex AI. Implemente o recurso de modelo num recurso de ponto final do Vertex AI. Configure o recurso de ponto final para a monitorização de modelos	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring com atribuições de funcionalidades da Vertex Explainable AI. Saiba como usar o serviço Vertex AI Model Monitoring para detetar desvios e anomalias em pedidos de previsão de um recurso de modelo do Vertex AI implementado. Saiba mais sobre o Vertex AI Model Monitoring. Passos do tutorial Carregue um modelo pré-preparado como um recurso de modelo do Vertex AI. Crie um recurso de ponto final do Vertex AI. Implemente o recurso do modelo no recurso do ponto final. Configure o recurso de ponto final para a monitorização de modelos. Inicialize a distribuição de base para a monitorização de modelos. Gerar pedidos de previsão sintéticos. Compreenda como interpretar as estatísticas, as visualizações e outros dados comunicados pela funcionalidade de monitorização de modelos.	Colab Colab Enterprise GitHub Vertex AI Workbench
model_monitoring_v2	Model Monitoring para a tarefa de previsão em lote do modelo personalizado do Vertex AI. Neste tutorial, vai concluir os seguintes passos: Passos do tutorial	Colab Colab Enterprise GitHub Vertex AI Workbench
model_monitoring_v2	Model Monitoring para a previsão online do modelo personalizado do Vertex AI. Neste tutorial, vai concluir os seguintes passos: Passos do tutorial	Colab Colab Enterprise GitHub Vertex AI Workbench
Registo de modelos Vertex AI	Comece a usar o Registo de modelos do Vertex AI. Saiba como usar o Registo de modelos Vertex AI para criar e registar várias versões de um modelo. Saiba mais sobre o Registo de modelos da Vertex AI. Passos do tutorial Crie e registe uma primeira versão de um modelo no Registo de modelos Vertex AI. Crie e registe uma segunda versão de um modelo no Registo de modelos Vertex AI. Atualizar a versão do modelo que é a predefinição. Eliminar uma versão do modelo. Preparar novamente a versão do modelo seguinte.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines Componentes do AutoML Classificação para dados tabulares	Pipelines tabulares do AutoML com google-cloud-pipeline-components. Saiba como usar os pipelines do Vertex AI e os componentes de pipeline do Google Cloud para criar um modelo de classificação tabular do AutoML. Saiba mais sobre o Vertex AI Pipelines. Saiba mais acerca dos componentes do AutoML. Saiba mais sobre a classificação de dados tabulares. Passos do tutorial Crie um pipeline do KFP que crie um conjunto de dados do Vertex AI. Adicione um componente ao pipeline que prepare um recurso de modelo de classificação tabular do AutoML. Adicione um componente que crie um recurso de ponto final do Vertex AI. Adicione um componente que implemente o recurso do modelo no recurso do ponto final. Compile o pipeline do KFP. Execute o pipeline do KFP através dos Vertex AI Pipelines.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Metodologia de modelo de desafio vs. modelo aprovado para implementação na produção. Saiba como criar um pipeline do Vertex AI, que prepara uma nova versão desafiadora de um modelo, avalia o modelo e compara a avaliação com o modelo aprovado existente em produção. Passos do tutorial Importe um modelo pré-preparado (validado) para o Registo de modelos Vertex AI. Importe métricas de avaliação de modelos sintéticos para o modelo correspondente (aprovado). Crie um recurso de ponto final do Vertex AI Implemente o modelo validado no recurso de ponto final. Crie um pipeline do Vertex AI que execute os seguintes passos	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Estruturas de controlo de pipelines com o SDK KFP. Saiba como usar o SDK do KFP, que usa ciclos e condicionais, incluindo exemplos aninhados, para criar pipelines. Saiba mais sobre o Vertex AI Pipelines. Passos do tutorial Crie um pipeline do KFP com componentes de fluxo de controlo Compile o pipeline do KFP Execute o pipeline do KFP através dos Vertex AI Pipelines	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines Componentes de preparação personalizados	Formação personalizada com componentes de pipeline do Google Cloud pré-criados. Saiba como usar os Vertex AI Pipelines e os componentes de pipelines do Google Cloud para criar um modelo personalizado. Saiba mais sobre o Vertex AI Pipelines. Saiba mais acerca dos componentes de preparação personalizados. Passos do tutorial Crie um pipeline do KFP	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines Componentes de previsão em lote da Vertex AI	Preparação e previsão em lote com origem e destino do BigQuery para um modelo de classificação tabular personalizado. Neste tutorial, vai preparar um modelo de classificação tabular do scikit-learn e criar uma tarefa de previsão em lote para o mesmo através de um pipeline do Vertex AI com google_cloud_pipeline_components. Saiba mais sobre o Vertex AI Pipelines. Saiba mais acerca dos componentes do Vertex AI Batch Prediction. Passos do tutorial Crie um conjunto de dados no BigQuery. Reserve alguns dados do conjunto de dados de origem para a previsão em lote. Crie um pacote Python personalizado para a aplicação de preparação. Carregue o pacote Python para o Cloud Storage. Crie um pipeline do Vertex AI que	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines Aperfeiçoamento de hiperparâmetros do Vertex AI	Comece a usar os componentes da pipeline de otimização de hiperparâmetros do Vertex AI. Saiba como usar componentes de pipelines do Google Cloud pré-criados para a otimização de hiperparâmetros do Vertex AI. Saiba mais sobre o Vertex AI Pipelines. Saiba mais acerca da ajuste de hiperparâmetros da Vertex AI. Passos do tutorial Construa um pipeline para	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Comece a usar a gestão de máquinas para o Vertex AI Pipelines. Saiba como converter um componente de preparação personalizado autónomo num Vertex AI CustomJob, em que: Passos do tutorial Crie um componente personalizado com uma tarefa de preparação autónoma. Execute o pipeline usando definições ao nível do componente para recursos de máquinas Converta o componente de formação autónomo num Vertex AI CustomJob. Execute o pipeline com definições ao nível da tarefa personalizada para recursos de aprendizagem automática	Colab GitHub Vertex AI Workbench
Vertex AI Pipelines Componentes do AutoML	Pipelines de classificação de imagens do AutoML com google-cloud-pipeline-components. Saiba como usar os pipelines do Vertex AI e os componentes de pipeline do Google Cloud para criar um modelo de classificação de imagens do AutoML. Saiba mais sobre o Vertex AI Pipelines. Saiba mais acerca dos componentes do AutoML. Passos do tutorial Crie um pipeline do KFP	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines Componentes do AutoML Regressão para dados tabulares	Pipelines de regressão tabular do AutoML com google-cloud-pipeline-components. Saiba como usar o Vertex AI Pipelines e o Google Cloud Pipeline Components para criar um modelo de regressão tabular AutoML. Saiba mais sobre o Vertex AI Pipelines. Saiba mais acerca dos componentes do AutoML. Saiba mais sobre a regressão para dados tabulares. Passos do tutorial Crie um pipeline do KFP que crie um recurso Dataset. Adicione um componente ao pipeline que prepare um recurso de regressão tabular do AutoML Model. Adicione um componente que crie um recurso Endpoint. Adicione um componente que implemente o recurso Model no recurso Endpoint. Compile o pipeline do KFP. Execute o pipeline do KFP através do Vertex AI Pipelines.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines Componentes do BigQuery ML	Preparar um modelo de previsão de aquisição com o Swivel, o BigQuery ML e os pipelines do Vertex AI. Saiba como criar um pipeline simples do BigQuery ML com pipelines do Vertex AI para calcular as incorporações de texto de conteúdo de artigos e classificá-los na categoria *aquisições empresariais*. Saiba mais sobre o Vertex AI Pipelines. Saiba mais acerca dos componentes do BigQuery ML. Passos do tutorial Criar um componente para a tarefa do Dataflow que carrega dados para o BigQuery. Criar um componente para os passos de pré-processamento a executar nos dados no BigQuery. Criar um componente para preparar um modelo de regressão logística com o BigQuery ML. Criar e configurar um pipeline de DSL do Kubeflow com todos os componentes criados. Compilar e executar o pipeline no Vertex AI Pipelines.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines Componentes de preparação personalizados	Prepare, carregue e implemente modelos com os componentes de pipeline do Google Cloud. Saiba como usar o Vertex AI Pipelines e o componente de pipeline do Google Cloud para criar e implementar um modelo personalizado. Saiba mais sobre o Vertex AI Pipelines. Saiba mais acerca dos componentes de preparação personalizados. Passos do tutorial Crie um pipeline do KFP	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Vertex AI Pipelines com KFP 2.x. Saiba como usar o Vertex AI Pipelines e o KFP 2. Passos do tutorial Crie um pipeline do KFP	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Componentes baseados em funções Python leves e E/S de componentes. Aprenda a usar o SDK do KFP para criar componentes leves baseados em funções Python e, em seguida, aprenda a usar os Vertex AI Pipelines para executar o pipeline. Saiba mais sobre o Vertex AI Pipelines. Passos do tutorial Crie componentes KFP baseados em funções Python. Construa um pipeline do KFP. Transferir artefactos e parâmetros entre componentes, tanto por referência de caminho como por valor. Use o método kfp.dsl.importer. Compile o pipeline do KFP. Execute o pipeline do KFP através dos Vertex AI Pipelines	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Visualização de métricas e comparação de execuções com o SDK KFP. Saiba como usar o SDK do KFP para Python para criar pipelines que geram métricas de avaliação. Saiba mais sobre o Vertex AI Pipelines. Passos do tutorial Crie componentes do KFP	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Metodologia de vários candidatos vs. campeão para a implementação de modelos na produção. Saiba como criar um pipeline do Vertex AI, que avalia novos dados de produção de um modelo implementado em comparação com outras versões do modelo, para determinar se um modelo concorrente se torna o modelo principal para substituição na produção. Passos do tutorial Importe um modelo pré-preparado (campeão) para o Registo de modelos do Vertex AI. Importe métricas de avaliação da preparação de modelos sintéticos para o modelo correspondente (principal). Crie um recurso de ponto final do Vertex AI. Implemente o modelo principal no recurso de ponto final. Importar versões adicionais (candidatas) do modelo implementado. Importe métricas de avaliação da preparação de modelos sintéticos para os modelos correspondentes (candidatos). Crie um pipeline do Vertex AI que execute os seguintes passos	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Introdução aos pipelines para o KFP. Saiba como usar o SDK do KFP para Python para criar pipelines que geram métricas de avaliação. Saiba mais sobre o Vertex AI Pipelines. Passos do tutorial Defina e compile um pipeline do Vertex AI. Especifique a conta de serviço a usar para uma execução do pipeline. Execute o pipeline com o SDK Vertex AI para Python e a API REST.	Colab Colab Enterprise GitHub Vertex AI Workbench
Componentes do AutoML Componentes do BigQuery ML	BigQuery ML e AutoML: prototipagem rápida com o Vertex AI. Saiba como usar os pipelines da Vertex AI para criar rapidamente um protótipo de um modelo. Saiba mais acerca dos componentes do AutoML. Saiba mais acerca dos componentes do BigQuery ML. Passos do tutorial Criar um conjunto de dados de preparação do BigQuery e do Vertex AI. Preparar um modelo do BigQuery ML e do AutoML. Extrair métricas de avaliação dos modelos do BigQueryML e AutoML. Selecionar o modelo com melhor desempenho. Implementar o modelo com melhor preparação. Testar a infraestrutura do modelo implementado.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Batch Inference	Inferência em lote de modelos personalizados com filtragem de caraterísticas. Saiba como criar um modelo preparado de forma personalizada a partir de um script Python num contentor Docker através do SDK Vertex AI para Python e, em seguida, executar uma tarefa de inferência em lote incluindo ou excluindo uma lista de funcionalidades. Saiba mais sobre a inferência em lote da Vertex AI. Passos do tutorial Crie um contentor personalizado do Vertex AI TrainingPipeline para preparar um modelo. Prepare um modelo do TensorFlow. Enviar tarefa de previsão em lote.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Inference	Comece a usar o servidor NVIDIA Triton. Saiba como implementar um contentor que executa o servidor Nvidia Triton com um recurso de modelo do Vertex AI num ponto final do Vertex AI para fazer previsões online. Saiba mais sobre a inferência da Vertex AI. Passos do tutorial Transfira os artefactos do modelo a partir do TensorFlow Hub. Crie o ficheiro de configuração do serviço Triton para o modelo. Construa um contentor personalizado com a imagem de serviço do Triton para a implementação de modelos. Carregue o modelo como um recurso de modelo do Vertex AI. Implemente o recurso de modelo do Vertex AI num recurso de ponto final do Vertex AI. Faça um pedido de previsão. Anule a implementação do recurso do modelo e elimine o ponto final.	Colab Colab Enterprise GitHub Vertex AI Workbench
Previsão não processada	Comece a usar funções de fornecimento do TensorFlow com a previsão bruta do Vertex AI. Saiba como usar Vertex AI Raw Prediction num recurso Vertex AI Endpoint. Saiba mais acerca do Raw Predict. Passos do tutorial Transfira artefactos de modelos de classificação tabular pré-preparados para um estimador do TensorFlow 1.x. Carregue o modelo do estimador do TensorFlow como um recurso do Vertex AI Model. Crie um recurso Endpoint. Implemente o recurso Model num recurso Endpoint. Faça uma previsão não processada online para a instância de recurso Model implementada no recurso Endpoint.	Colab Colab Enterprise GitHub Vertex AI Workbench
receber previsões de um modelo com preparação personalizada	Comece a usar o TensorFlow Serving com a inferência do Vertex AI. Saiba como usar o Vertex AI Inference num recurso Vertex AI Endpoint com o binário de publicação TensorFlow Serving. Saiba como obter previsões a partir de um modelo com preparação personalizada. Passos do tutorial	Colab Colab Enterprise GitHub Vertex AI Workbench
Pontos finais privados	Comece a usar os pontos finais privados do Vertex AI. Saiba como usar os recursos Vertex AI Private Endpoint. Saiba mais acerca dos pontos finais privados. Passos do tutorial Criar um recurso Private Endpoint. Configure uma ligação de intercâmbio de VPCs. Configurar o ficheiro binário de publicação de um recurso Model para implementação num recurso Private Endpoint. Implementar um recurso Model num recurso Private Endpoint. Envie um pedido de previsão para um Private Endpoint	Colab Colab Enterprise GitHub Vertex AI Workbench
Modelos de linguagem da Vertex AI	MDIs do Vertex AI e previsão de streaming. Saiba como usar o MDG do Vertex AI para transferir o modelo MDG pré-preparado, fazer previsões e ajustar o modelo. Saiba mais sobre os modelos de linguagem da Vertex AI. Passos do tutorial Carregue um modelo de geração de texto pré-treinado. Faça uma previsão não de streaming Carregar um modelo de geração de texto pré-treinado, que suporta streaming. Faça uma previsão de streaming Carregar um modelo de chat pré-treinado. Fazer uma sessão de chat interativa local. Faça uma previsão em lote com um modelo de geração de texto. Faça uma previsão em lote com um modelo de incorporação de texto.	Colab Colab Enterprise GitHub Vertex AI Workbench
Contentores pré-criados para previsão	Publicar modelos de imagens PyTorch com contentores pré-criados no Vertex AI. Saiba como criar pacotes e implementar um modelo de classificação de imagens do PyTorch usando um contentor do Vertex AI pré-criado com o TorchServe para fornecer previsões online e em lote. Saiba mais acerca dos contentores pré-criados para previsão. Passos do tutorial Transfira um modelo de imagem pré-treinado do PyTorch Crie um controlador de modelo personalizado Empacote artefactos de modelos num ficheiro de arquivo de modelos Carregue o modelo para implementação Implemente o modelo para previsão Faça previsões online Faça previsões em lote	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Inference	Prepare e implemente modelos PyTorch com contentores pré-criados no Vertex AI. Saiba como criar, preparar e implementar um modelo de classificação de imagens do PyTorch através de contentores pré-criados para preparação e previsão personalizadas. Passos do tutorial Empacote a aplicação de preparação numa distribuição de origem Python Configure e execute a tarefa de preparação num contentor pré-criado Empacote artefactos de modelos num ficheiro de arquivo de modelos Carregue o modelo para implementação Implemente o modelo através de um contentor pré-criado para a previsão Faça previsões online	Colab Colab Enterprise GitHub Vertex AI Workbench
Vista geral do Ray no Vertex AI	Comece a usar o PyTorch no Ray no Vertex AI. Saiba como distribuir de forma eficiente o processo de preparação de um modelo de classificação de imagens do PyTorch tirando partido do Ray no Vertex AI. Saiba mais sobre a vista geral do Ray no Vertex AI. Passos do tutorial Prepare o script de preparação Envie uma tarefa do Ray através da API Ray Jobs Transfira um modelo de imagem preparado a partir do PyTorch Crie um controlador de modelo personalizado Empacote artefactos de modelos num ficheiro de arquivo de modelos Registe o modelo no Registo de modelos do Vertex AI Implemente o modelo no ponto final do Vertex AI Faça previsões online	Colab Colab Enterprise GitHub Vertex AI Workbench
Vista geral do Ray no Vertex AI	Ray on Vertex AI cluster management. Saiba como criar um cluster, listar clusters existentes, obter um cluster, atualizar um cluster e eliminar um cluster. Saiba mais sobre a vista geral do Ray no Vertex AI. Passos do tutorial Crie um cluster. Liste os clusters existentes. Obtenha um conjunto. Aumente manualmente a escala do cluster e, em seguida, reduza-a. Fazer a escala automática de um cluster. Elimine os clusters existentes.	Colab Colab Enterprise GitHub Vertex AI Workbench
Ray no Vertex AI Spark no Ray no Vertex AI	Spark no Ray no Vertex AI. Saiba como usar o RayDP para executar aplicações Spark num cluster do Ray na Vertex AI. Saiba mais sobre o Ray no Vertex AI. Saiba mais sobre o Spark no Ray no Vertex AI. Passos do tutorial Crie uma imagem de contentor do Ray no Vertex AI personalizada Crie um cluster do Ray na Vertex AI com uma imagem de contentor personalizada Execute o Spark de forma interativa no cluster com o RayDP Execute a aplicação Spark no cluster através da API Ray Job Leia ficheiros do Google Cloud Storage na aplicação Spark UDFs do Pandas na aplicação Spark no Ray no Vertex AI Elimine o cluster do Ray no Vertex AI	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training Vertex AI Reduction Server	Preparação distribuída do PyTorch com o servidor de redução do Vertex AI. Saiba como criar uma tarefa de preparação distribuída do PyTorch que usa a estrutura e as ferramentas de preparação distribuída do PyTorch, e execute a tarefa de preparação no serviço Vertex AI Training com o servidor de redução. Saiba mais sobre o Vertex AI Training. Saiba mais sobre o servidor de redução da Vertex AI. Passos do tutorial Crie uma aplicação de preparação distribuída do PyTorch Empacote a aplicação de preparação com contentores pré-criados Crie uma tarefa personalizada na Vertex AI com o servidor de redução Envie e monitorize a tarefa	Colab Colab Enterprise GitHub Vertex AI Workbench
Formação personalizada	Preparação personalizada com o pacote Python, o conjunto de dados de texto gerido e o contentor do TF Serving. Saiba como criar um modelo personalizado através da preparação de pacotes Python personalizados e como publicar o modelo através do contentor TensorFlow-Serving para a previsão online. Saiba mais acerca da preparação personalizada. Passos do tutorial Crie funções de utilidade para transferir dados e preparar ficheiros CSV para criar um conjunto de dados gerido do Vertex AI Transfira dados Prepare ficheiros CSV para criar um conjunto de dados gerido Crie um pacote Python de preparação personalizado Crie um contentor do TensorFlow Serving Execute a preparação de pacotes Python personalizados com um conjunto de dados de texto gerido Implemente um modelo e crie um ponto final no Vertex AI Prever no ponto final Crie uma tarefa de previsão em lote no modelo	Colab Colab Enterprise GitHub Vertex AI Workbench
Fluxo de trabalho tabular para o TabNet	Explicações da Vertex AI com modelos TabNet. Saiba como fornecer uma ferramenta de representação gráfica de amostra para visualizar o resultado do TabNet, o que é útil para explicar o algoritmo. Saiba mais sobre o fluxo de trabalho tabular para a TabNet. Passos do tutorial Configure o projeto. Transfira os dados de previsão do modelo de pré-treino nos dados Syn2. Visualize e compreenda a importância das funcionalidades com base no resultado das máscaras. Limpe o recurso criado por este tutorial.	Colab Colab Enterprise GitHub Vertex AI Workbench
Previsão ARIMA+ do BigQuery ML para dados tabulares	Prepare um modelo ARIMA_PLUS do BigQuery ML com fluxos de trabalho tabulares do Vertex AI. Saiba como criar o modelo ARIMA_PLUS do BigQuery ML com um pipeline de preparação do Vertex AI a partir dos componentes de pipeline do Google Cloud e, em seguida, fazer uma previsão em lote com o pipeline de previsão correspondente. Saiba mais sobre a previsão ARIMA+ do BigQuery ML para dados tabulares. Passos do tutorial Prepare o modelo ARIMA_PLUS do BigQuery ML. Ver a avaliação do modelo do BigQuery ML. Faça uma previsão em lote com o modelo do BigQuery ML.	Colab Colab Enterprise GitHub Vertex AI Workbench
Componentes do pipeline do Google Cloud Prophet para dados tabulares	Prepare um modelo Prophet com os fluxos de trabalho tabulares do Vertex AI. Saiba como criar vários modelos do Prophet usando um pipeline do Vertex AI de preparação dos componentes do pipeline do Google Cloud e, em seguida, fazer uma previsão em lote usando o pipeline de previsão correspondente. Saiba mais sobre os componentes de pipelines do Google Cloud. Saiba mais sobre o Prophet para dados tabulares. Passos do tutorial 1. Prepare os modelos Prophet. 1. Veja as métricas de avaliação. 1. Faça uma previsão em lote com os modelos Prophet.	Colab Colab Enterprise GitHub Vertex AI Workbench
Fluxo de trabalho tabular para o TabNet	Pipeline TabNet. Saiba como criar modelos de classificação em dados tabulares usando dois dos fluxos de trabalho tabulares do Vertex AI TabNet. Saiba mais sobre o fluxo de trabalho tabular para a TabNet. Passos do tutorial Crie um CustomJob do TabNet. Esta é a melhor opção se souber que hiperparâmetros usar para a preparação. Crie um HyperparameterTuningJob do TabNet. Isto permite-lhe obter o melhor conjunto de hiperparâmetros para o seu conjunto de dados.	Colab Colab Enterprise GitHub Vertex AI Workbench
Fluxo de trabalho tabular para modelos amplos e profundos	Wide & Deep Pipeline. Saiba como criar dois modelos de classificação com os fluxos de trabalho tabulares amplos e detalhados da Vertex AI. Saiba mais sobre o fluxo de trabalho tabular para aprendizagem ampla e avançada. Passos do tutorial Crie um CustomJob amplo e profundo. Esta é a melhor opção se souber que hiperparâmetros usar para a preparação. Crie um Wide & Deep HyperparameterTuningJob. Isto permite-lhe obter o melhor conjunto de hiperparâmetros para o seu conjunto de dados.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI TensorBoard Preparação personalizada	Preparação personalizada do Vertex AI TensorBoard com contentor personalizado. Saiba como criar uma tarefa de preparação personalizada com contentores personalizados e monitorizar o processo de preparação no Vertex AI TensorBoard quase em tempo real. Saiba mais sobre o Vertex AI TensorBoard. Saiba mais acerca da preparação personalizada. Passos do tutorial Crie um repositório e uma configuração do Docker. Crie uma imagem de contentor personalizada com o seu código de treino personalizado. Configure a conta de serviço e os contentores do Google Cloud Storage. Crie e inicie a sua tarefa de preparação personalizada com o seu contentor personalizado.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI TensorBoard Preparação personalizada	Preparação personalizada do Vertex AI TensorBoard com contentor pré-criado. Saiba como criar uma tarefa de preparação personalizada com contentores pré-criados e monitorizar o processo de preparação no Vertex AI TensorBoard quase em tempo real. Saiba mais sobre o Vertex AI TensorBoard. Saiba mais acerca da preparação personalizada. Passos do tutorial Configure a conta de serviço e os contentores do Cloud Storage. Escreva o seu código de preparação personalizado. Empacote e carregue o seu código de preparação para o Cloud Storage. Crie e inicie a sua tarefa de preparação personalizada com o Vertex AI TensorBoard ativado para monitorização quase em tempo real.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI TensorBoard	Aperfeiçoamento de hiperparâmetros do Vertex AI TensorBoard com o painel de controlo HParams. Neste bloco de notas, vai preparar um modelo e realizar o ajuste de hiperparâmetros com o TensorFlow. Passos do tutorial Adapte as execuções do TensorFlow para registar hiperparâmetros e métricas. Inicie execuções e registe-as todas num diretório principal. Visualize os resultados no painel de controlo HParams do Vertex AI TensorBoard.	Colab Colab Enterprise GitHub Vertex AI Workbench
Profiler Vertex AI TensorBoard	Monitorize o desempenho da preparação do modelo de perfil com o Cloud Profiler. Saiba como ativar o Profiler para tarefas de preparação personalizadas. Saiba mais acerca do Profiler. Saiba mais sobre o Vertex AI TensorBoard. Passos do tutorial Configure uma conta de serviço e um contentor do Cloud Storage Crie uma instância do Vertex AI TensorBoard Crie e execute uma tarefa de preparação personalizada que ative o Profiler Veja o painel de controlo do Profiler para depurar o desempenho da preparação do modelo	Colab Colab Enterprise GitHub Vertex AI Workbench
Profiler Vertex AI TensorBoard	Crie perfis do desempenho da preparação de modelos com o Cloud Profiler na preparação personalizada com um contentor pré-criado. Saiba como ativar o Profiler no Vertex AI para tarefas de preparação personalizadas com um contentor pré-criado. Saiba mais acerca do Profiler. Saiba mais sobre o Vertex AI TensorBoard. Passos do tutorial Prepare o código de preparação personalizado e carregue-o como um pacote Python num contentor pré-criado Crie e execute uma tarefa de preparação personalizada que ative o Profiler Veja o painel de controlo do Profiler para depurar o desempenho da preparação do modelo	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI TensorBoard Vertex AI Pipelines	Integração do Vertex AI TensorBoard com o Vertex AI Pipelines. Saiba como criar um pipeline de preparação usando o SDK do KFP, executar o pipeline no Vertex AI Pipelines e monitorizar o processo de preparação no Vertex AI TensorBoard quase em tempo real. Saiba mais sobre o Vertex AI TensorBoard. Saiba mais sobre o Vertex AI Pipelines. Passos do tutorial Configure uma conta de serviço e contentores do Google Cloud Storage. Construa um pipeline do KFP com o seu código de preparação personalizado. Compile e execute o pipeline KFP no Vertex AI Pipelines com o Vertex AI TensorBoard ativado para monitorização quase em tempo real.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Hyperparameter Tuning	Aperfeiçoamento de hiperparâmetros da Vertex AI distribuído. Neste bloco de notas, cria um modelo com preparação personalizada a partir de um script Python num contentor Docker. Saiba mais sobre o aperfeiçoamento de hiperparâmetros da Vertex AI. Passos do tutorial Formação com um pacote Python. Precisão dos relatórios durante o ajuste fino dos hiperparâmetros. Guarde os artefactos do modelo no Cloud Storage através do Cloud StorageFuse.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training	Comece a usar o Vertex AI Training para o LightGBM. Saiba como preparar um modelo personalizado do LightGBM através do método de contentor personalizado para o Vertex AI Training. Passos do tutorial Formação com um pacote Python. Guarde os artefactos do modelo no Cloud Storage através do Cloud StorageFuse. Construa um servidor de previsão do FastAPI. Construa uma imagem de implementação do Dockerfile para o servidor. Teste a imagem de implementação localmente (opcional e não para utilizadores do Colab). Crie um recurso de modelo do Vertex AI. Execute uma tarefa de previsão em lote. Implemente o modelo num ponto final e envie pedidos de previsão online. Limpe os recursos criados.	Colab Colab Enterprise GitHub Vertex AI Workbench
Preparação distribuída do Vertex AI	Comece a usar a preparação distribuída do Vertex AI. Saiba como usar o Vertex AI distributed training quando fizer a preparação com o Vertex AI. Saiba mais sobre a preparação distribuída da Vertex AI. Passos do tutorial	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Hyperparameter Tuning	Execute o aperfeiçoamento de hiperparâmetros para um modelo do TensorFlow. Saiba como executar uma tarefa de hiperaperfeiçoamento dos parâmetros da Vertex AI para um modelo do TensorFlow. Saiba mais sobre o aperfeiçoamento de hiperparâmetros da Vertex AI. Passos do tutorial Modifique o código de aplicação de treino para a otimização de hiperparâmetros automatizada. Contentorize o código da aplicação de preparação. Configure e inicie uma tarefa de hiperaperfeiçoamento dos parâmetros com o SDK Python do Vertex AI.	Colab Colab Enterprise GitHub Vertex AI Workbench
Aperfeiçoamento de hiperparâmetros do Vertex AI	Aperfeiçoamento de hiperparâmetros da Vertex AI para XGBoost. Saiba como usar o serviço de otimização de hiperparâmetros da Vertex AI para preparar um modelo XGBoost. Saiba mais acerca da ajuste de hiperparâmetros da Vertex AI. Passos do tutorial Prepare o modelo com um pacote de aplicação de preparação Python. Precisão dos relatórios durante o aperfeiçoamento de hiperparâmetros. Guarde os artefactos do modelo no Cloud Storage através do Cloud StorageFuse. Indique o melhor modelo.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training	Preparação paralela de dados distribuídos de vários nós de classificação de imagens do PyTorch na CPU com a preparação do Vertex AI com contentor personalizado. Saiba como criar uma tarefa de preparação do PyTorch distribuída através do SDK do Vertex AI para Python e contentores personalizados. Saiba mais sobre o Vertex AI Training. Passos do tutorial Configurar o seu Google Cloud projeto	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training	Classificação de imagens do PyTorch com preparação paralela de dados distribuídos NCCL de vários nós na CPU e no Vertex AI. Saiba como criar uma tarefa de preparação do PyTorch distribuída através do SDK do Vertex AI para Python e contentores personalizados. Saiba mais sobre o Vertex AI Training. Passos do tutorial Criar um contentor personalizado com o Artifact Registry e o Docker. Criar uma instância do TensorBoard do Vertex AI para armazenar a sua experiência do Vertex AI. Execute uma tarefa de preparação do Vertex AI com o SDK Vertex AI para Python.	Colab Colab Enterprise GitHub Vertex AI Workbench
Formação personalizada	Preparação, otimização e implementação de um modelo de classificação de sentimentos de texto do PyTorch no Vertex AI. Saiba como criar, preparar, otimizar e implementar um modelo PyTorch no Vertex AI. Saiba mais acerca da preparação personalizada. Passos do tutorial Crie um pacote de preparação para o modelo de classificação de texto. Prepare o modelo com a preparação personalizada no Vertex AI. Verifique os artefactos do modelo criados. Crie um contentor personalizado para previsões. Implemente o modelo preparado num ponto final do Vertex AI através do contentor personalizado para previsões. Envie pedidos de previsão online para o modelo implementado e valide-os. Limpe os recursos criados neste bloco de notas.	Colab Colab Enterprise GitHub Vertex AI Workbench
Integração do PyTorch no Vertex AI	Prepare o modelo PyTorch no Vertex AI com dados do Cloud Storage. Saiba como criar uma tarefa de preparação usando o PyTorch e um conjunto de dados armazenado no Cloud Storage. Saiba mais acerca da integração do PyTorch no Vertex AI. Passos do tutorial Escrever um script de preparação personalizado que crie os conjuntos de dados de preparação e de teste, e prepare o modelo. Executar um CustomTrainingJob usando o SDK Vertex AI para Python.	Colab Colab Enterprise GitHub Vertex AI Workbench
Preparação distribuída	Usar o torchrun do PyTorch para simplificar a preparação com vários nós com contentores personalizados. Saiba como preparar um modelo do ImageNet com o Torchrun do PyTorch em vários nós. Saiba mais sobre a preparação distribuída. Passos do tutorial Crie um script de shell para iniciar um cluster ETCD no nó principal Crie um script de preparação com código do repositório do GitHub do PyTorch Elastic Crie contentores que transfiram os dados e inicie um cluster ETCD no anfitrião Faça o treino do modelo com vários nós com GPUs	Colab Colab Enterprise GitHub Vertex AI Workbench
Formação personalizada	Preparação distribuída do XGBoost com o Dask. Saiba como criar uma tarefa de preparação distribuída com o XGBoost e o Dask. Saiba mais acerca da preparação personalizada. Passos do tutorial Configure as variáveis PROJECT_ID e LOCATION para o seu projeto do Google Cloud. Crie um contentor do Cloud Storage para armazenar os artefactos do modelo. Crie um contentor Docker personalizado que aloje o seu código de preparação e envie a imagem do contentor para o Artifact Registry. Execute um CustomContainerTrainingJob do SDK Vertex AI	Colab Colab Enterprise GitHub Vertex AI Workbench
vector_search	Usar as incorporações multimodais e a pesquisa vetorial da Vertex AI. Saiba como codificar incorporações de texto personalizadas, criar um índice de Approximate Nearest Neighbor e fazer consultas em relação a índices. Passos do tutorial Converta um conjunto de dados de imagens em incorporações. Crie um índice. Carregue incorporações para o índice. Crie um ponto final de índice. Implemente o índice no ponto final do índice. Fazer uma consulta online.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Vector Search	Usar a pesquisa vetorial do Vertex AI para perguntas do StackOverflow. Saiba como codificar incorporações de texto personalizadas, criar um índice de vizinhos mais próximos aproximados e consultar índices. Saiba mais sobre a pesquisa vetorial da Vertex AI. Passos do tutorial Crie um índice ANN. Crie um ponto final de índice com a rede VPC. Implemente o índice ANN. Fazer uma consulta online.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Vector Search Incorporações de texto da Vertex AI	Usar a pesquisa vetorial do Vertex AI e as incorporações do Vertex AI para texto para perguntas do StackOverflow. Saiba como codificar incorporações de texto, criar um índice de vizinhos mais próximos aproximado e consultar índices. Saiba mais sobre a pesquisa vetorial da Vertex AI. Saiba mais sobre as incorporações do Vertex AI para texto. Passos do tutorial Converta um conjunto de dados do BigQuery em incorporações. Crie um índice. Carregue incorporações para o índice. Crie um ponto final de índice. Implemente o índice no ponto final do índice. Fazer uma consulta online.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Vector Search	Crie um índice do Vertex AI Vector Search. Saiba como criar um índice de vizinhos mais próximos aproximados, consultar índices e validar o desempenho do índice. Saiba mais sobre a pesquisa vetorial da Vertex AI. Passos do tutorial Crie um índice ANN e um índice de força bruta. Crie um IndexEndpoint com a rede VPC. Implemente o índice ANN e o índice de força bruta. Fazer uma consulta online. Calcular recordação.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Vizier	Otimizar vários objetivos com o Vertex AI Vizier. Saiba como usar o Vertex AI Vizier para otimizar um estudo com vários objetivos. Saiba mais sobre o Vertex AI Vizier. Passos do tutorial	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Vizier	Comece a usar o Vertex AI Vizier. Saiba como usar o Vertex AI Vizier quando fizer a preparação com o Vertex AI. Saiba mais sobre o Vertex AI Vizier. Passos do tutorial Aperfeiçoamento de hiperparâmetros com o algoritmo aleatório. Aperfeiçoamento de hiperparâmetros com o algoritmo do Vertex AI Vizier (bayesiano). Sugestão de testes e atualização dos resultados do estudo do Vertex AI Vizier	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench Vertex AI Training	Prepare um modelo de classificação de várias classes para a segmentação de anúncios. Saiba como recolher dados do BigQuery, pré-processá-los e preparar um modelo de classificação de várias classes num conjunto de dados de comércio eletrónico. Saiba mais sobre o Vertex AI Workbench. Saiba mais sobre o Vertex AI Training. Passos do tutorial Obtenha os dados necessários do BigQuery Pré-processe os dados Prepare um modelo de classificação do TensorFlow (>=2.4) Avalie a perda do modelo preparado Automatize a execução do bloco de notas através da funcionalidade de execução Guarde o modelo num caminho do Cloud Storage Limpe os recursos criados	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench Vertex Explainable AI	Previsão da tarifa de táxi com o conjunto de dados Chicago Taxi Trips. O objetivo deste bloco de notas é fornecer uma vista geral das funcionalidades da Vertex AI, como a Vertex Explainable AI e o BigQuery in Notebooks, tentando resolver um problema de previsão de tarifas de táxi. Saiba mais sobre o Vertex AI Workbench. Saiba mais sobre a Vertex Explainable AI. Passos do tutorial Carregar o conjunto de dados através do "BigQuery in Notebooks". Realizar uma análise exploratória de dados no conjunto de dados. Seleção e pré-processamento de caraterísticas. Criar um modelo de regressão linear com o scikitlearn. Configurar o modelo para o Vertex Explainable AI. Implementar o modelo no Vertex AI. Testar o modelo implementado. Limpar.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench BigQuery ML	Previsão da procura no setor de retalho com o Vertex AI e o BigQuery ML. Saiba como criar um modelo ARIMA (média móvel integrada autorregressiva) a partir do BigQuery ML em dados de retalho Saiba mais acerca do Vertex AI Workbench. Saiba mais acerca do BigQuery ML. Passos do tutorial Explorar dados Crie modelos com o BigQuery e o modelo ARIMA Avalie o modelo Avalie os resultados do modelo com o BigQuery ML (em dados de preparação) Avalie os resultados do modelo: MAE, MAPE, MSE, RMSE (em dados de teste) Use a funcionalidade de executor	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench BigQuery ML	Análise exploratória interativa de dados do BigQuery num bloco de notas. Saiba mais sobre várias formas de explorar e obter estatísticas a partir de dados do BigQuery num ambiente de bloco de notas Jupyter. Saiba mais sobre o Vertex AI Workbench. Saiba mais acerca do BigQuery ML. Passos do tutorial Usar Python e SQL para consultar dados públicos no BigQuery Explorar o conjunto de dados através do INFORMATION_SCHEMA do BigQuery Criar elementos interativos para ajudar a explorar partes interessantes dos dados Fazer alguma análise exploratória de correlação e de séries temporais Criar resultados estáticos e interativos (tabelas de dados e gráficos) no bloco de notas Guardar alguns resultados no Cloud Storage	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench Preparação personalizada	Crie um modelo de deteção de fraudes no Vertex AI. Este tutorial demonstra a análise de dados e a criação de modelos através de um conjunto de dados financeiros sintéticos. Saiba mais sobre o Vertex AI Workbench. Saiba mais acerca da preparação personalizada. Passos do tutorial Instalação das bibliotecas necessárias Ler o conjunto de dados a partir de um contentor do Cloud Storage Realizar uma análise exploratória no conjunto de dados Pré-processar o conjunto de dados Formar um modelo de floresta aleatória com o scikitlearn Guardar o modelo num contentor do Cloud Storage Criar um recurso de modelo do Vertex AI e implementá-lo num ponto final Executar a ferramenta de simulação em dados de teste Anular a implementação do modelo e limpar os recursos do modelo	Colab GitHub Vertex AI Workbench
Vertex AI Workbench BigQuery ML	Previsão de abandono para programadores de jogos com o Google Analytics 4 e o BigQuery ML. Saiba como formar e avaliar um modelo de propensão no BigQuery ML. Saiba mais sobre o Vertex AI Workbench. Saiba mais acerca do BigQuery ML. Passos do tutorial Explore os dados exportados do Google Analytics 4 no BigQuery. Prepare os dados de preparação com dados demográficos, comportamentais e etiquetas (cancelamento/não cancelamento). Faça o treino de um modelo XGBoost com o BigQuery ML. Avalie o modelo com o BigQuery ML. Use o BigQuery ML para prever que utilizadores têm probabilidade de cancelar a subscrição.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench Vertex AI Training	Manutenção preditiva com o Vertex AI. Saiba como usar a funcionalidade de executor do Vertex AI Workbench para automatizar um fluxo de trabalho para preparar e implementar um modelo. Saiba mais sobre o Vertex AI Workbench. Saiba mais sobre a preparação do Vertex AI. Passos do tutorial Carregar o conjunto de dados necessário a partir de um contentor do Cloud Storage. Analisar os campos presentes no conjunto de dados. Selecionar os dados necessários para o modelo de manutenção preditiva. Preparar um modelo de regressão XGBoost para prever a vida útil restante. Avaliar o modelo. Executar o bloco de notas de forma integral como uma tarefa de preparação usando o Executor. Implementar o modelo na Vertex AI. Limpar.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench BigQuery ML	Análise da otimização de preços nos dados de preços da CDM. O objetivo deste bloco de notas é criar um modelo de otimização de preços com o BigQuery ML. Saiba mais sobre o Vertex AI Workbench. Saiba mais acerca do BigQuery ML. Passos do tutorial Carregue o conjunto de dados necessário a partir de um contentor do Cloud Storage. Analise os campos presentes no conjunto de dados. Tratar os dados para criar um modelo. Crie um modelo de previsão do BigQuery ML com os dados processados. Obtenha valores previstos do modelo do BigQuery ML. Interprete as previsões para identificar os melhores preços. Limpar.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench Dataproc Serverless para Spark	Resuma e analise dados do BigQuery com o Dataproc. Este tutorial do bloco de notas executa uma tarefa do Apache Spark que obtém dados do conjunto de dados "GitHub Activity Data" do BigQuery, consulta os dados e, em seguida, escreve os resultados de volta no BigQuery. Saiba mais sobre o Vertex AI Workbench. Saiba mais sobre o Dataproc Serverless para Spark. Passos do tutorial Configurar um projeto do Google Cloud e um cluster do Dataproc. A configurar o sparkbigqueryconnector. Ingerir dados do BigQuery num DataFrame do Spark. Pré-processamento de dados carregados. Consultar a linguagem de programação mais usada em repositórios monolingues. Consultar o tamanho médio (MB) do código em cada idioma armazenado em repositórios monolingues. Consultar os ficheiros de idiomas encontrados com maior frequência em repositórios poliglotas. Escrever os resultados da consulta novamente no BigQuery. Eliminar os recursos criados para este tutorial de notebooks.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench Dataproc	SparkML com Dataproc e BigQuery. Este tutorial executa uma tarefa do Apache SparkML que obtém dados do conjunto de dados do BigQuery, realiza uma análise exploratória de dados, limpa os dados, executa a engenharia de funcionalidades, prepara o modelo, avalia o modelo, produz resultados e guarda o modelo num contentor do Cloud Storage. Saiba mais sobre o Vertex AI Workbench. Saiba mais acerca do Dataproc. Passos do tutorial Configura um projeto do Google Cloud e um cluster do Dataproc. Cria um contentor do Cloud Storage e um conjunto de dados do BigQuery. Configura o sparkbigqueryconnector. Ingere dados do BigQuery num DataFrame do Spark. Realize uma análise exploratória de dados (EDA). Visualiza os dados com amostras. Limpa os dados. Seleciona funcionalidades. Prepara o modelo. Produz resultados. Guarda o modelo num contentor do Cloud Storage. Elimina os recursos criados para o tutorial.	Colab Colab Enterprise GitHub Vertex AI Workbench