Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Data Scientists und Entwickler für maschinelles Lernen (ML) verwenden das Vertex AI SDK für Python, um Modelle in einem benutzerdefinierten ML-Workflow zu erstellen, zu trainieren und bereitzustellen. Dazu gehören das Erstellen von Datasets und Hochladen von Daten, das Trainieren eines ML-Modells, das Hochladen und Speichern des Modells, das Bereitstellen des Modells, das Ausführen von Batchvorhersagejobs sowie das Verwalten der Modelle und Endpunkte.
Das Vertex AI SDK enthält auch Klassen zur Erstellung von generativen KI-Lösungen mit Basismodellen für Text, Code, Chat und Texteinbettung. Mit diesen Klassen können Sie Text generieren, einen Text- oder Code-Chatbot erstellen, ein Basismodell optimieren und eine Texteinbettung erstellen. Eine Texteinbettung ist Text in Form eines Vektors, der zur Suche nach Elementen verwendet wird. Weitere Informationen finden Sie unter Einführung in Sprachmodelle im Vertex AI SDK.
Sie können das Vertex AI SDK für Python in einem gehosteten JupyterLab-Notebook in Vertex AI verwenden, um Code zu schreiben und auszuführen. Die Notebooks enthalten vorinstallierte ML-Frameworks wie TensorFlow und PyTorch. Sie können auch andere Notebooks wie Colab-Notebooks oder eine Entwicklerumgebung Ihrer Wahl verwenden, die Python unterstützt.
Wenn Sie das Vertex AI SDK for Python jetzt ausprobieren möchten, sehen Sie sich die folgenden Ressourcen an:
Das Vertex AI SDK enthält viele Klassen, mit denen Sie die Datenaufnahme automatisieren, Modelle trainieren und Vorhersagen erhalten können. Außerdem enthält es Kurse, mit denen Sie Ihren ML-Workflow überwachen, bewerten und optimieren können. Die Kurse lassen sich grob in die folgenden Kategorien unterteilen:
Datenklassen umfassen Klassen, die mit strukturierten Daten, unstrukturierten Daten und dem Vertex AI Feature Store funktionieren.
Trainingsklassen umfassen Klassen, die mit AutoML-Training für strukturierte und unstrukturierte Daten, benutzerdefiniertes Training, Hyperparameter-Training und Pipeline-Training funktionieren.
Modellklassen funktionieren mit Modellen und Modellbewertungen.
Vorhersageklassen funktionieren mit Batchvorhersagen, Onlinevorhersagen und Vorhersagen der Vektorsuche.
Tracking-Klassen funktionieren mit Vertex ML Metadata, Vertex AI Experiments und Vertex AI TensorBoard.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-09-04 (UTC)."],[],[],null,["# Vertex AI SDK class overview\n\nData scientists and machine learning (ML) developers use the Vertex AI SDK for Python to build, train, and deploy models in a custom ML workflow. This includes creating datasets and uploading data, training an ML model, uploading and storing your model, deploying your model, running batch prediction jobs, and managing your models and endpoints.\n\n\u003cbr /\u003e\n\nThe Vertex AI SDK also includes classes to create generative AI\nsolutions with text, code, chat, and text embedding foundation models. You can\nuse these classes to generate text, create a text or code chatbot, tune a\nfoundation model, and create a text embedding. A text embedding is text in the\nform of a vector used to search for items. For more information, see\n[Introduction to language model classes in the Vertex AI SDK](/vertex-ai/generative-ai/docs/sdk-for-llm/llm-sdk-overview).\n\nYou can use the Vertex AI SDK for Python in hosted JupyterLab notebooks within\nVertex AI to write and run your code. The notebooks include preinstalled\nML frameworks, such as TensorFlow and PyTorch. You can also use other notebooks,\nsuch as Colab notebooks, or use a developer environment of your choice that\nsupports Python.\n\nIf you want to try using the Vertex AI SDK for Python right now, see the following\nresources:\n\n- [Introduction to the Vertex AI SDK for Python](/vertex-ai/docs/python-sdk/use-vertex-ai-python-sdk)\n- [Vertex AI SDK reference](/python/docs/reference/aiplatform/latest/google.cloud.aiplatform)\n- [Vertex AI SDK language model reference](/python/docs/reference/aiplatform/latest/vertexai.language_models)\n- [Train a model using Vertex AI and the Python SDK](/vertex-ai/docs/tutorials/tabular-bq-prediction)\n\nThe Vertex AI SDK includes many classes to help you automate data\ningestion, train models, and get predictions. It also includes classes to help\nyou monitor, evaluate, and optimize your machine learning (ML) workflow. The\nclasses can be loosely grouped into the following categories:\n\n- [Data classes](/vertex-ai/docs/python-sdk/data-classes) include classes that work with structured data, unstructured data, and the Vertex AI Feature Store.\n- [Training classes](/vertex-ai/docs/python-sdk/training-classes) include classes that work with AutoML training for structured and unstructured data, custom training, hyperparameter training, and pipeline training.\n- [Model classes](/vertex-ai/docs/python-sdk/model-classes) work with models and model evaluations.\n- [Prediction classes](/vertex-ai/docs/python-sdk/prediction-classes) work with batch predictions, online predictions, and Vector Search predictions.\n- [Tracking classes](/vertex-ai/docs/python-sdk/tracking-classes) work with Vertex ML Metadata, Vertex AI Experiments, and Vertex AI TensorBoard."]]
