Vertex AI Vizier-Notebook-Anleitungen

Dieses Dokument enthält eine Liste der verfügbaren Notebookanleitungen für Vertex AI Vizier. Diese End-to-End-Anleitungen unterstützen Sie beim Einstieg in Vertex AI Vizier und geben Ihnen Ideen zur Implementierung eines bestimmten Projekts.

Es gibt viele Umgebungen, in denen Sie Notebooks hosten können. Sie haben folgende Möglichkeiten:

• Führen Sie diese mit einem Dienst wie Colaboratory (Colab) oder Vertex AI Workbench in der Cloud aus.
• Laden Sie sie von GitHub herunter und führen Sie sie auf Ihrem lokalen Computer aus.
• Laden Sie sie von GitHub herunter und führen Sie sie auf einem Jupyter- oder JupyterLab-Server in Ihrem lokalen Netzwerk aus.

Colab

Ein Notebook in Colab auszuführen ist ein einfacher Einstieg.

Klicken Sie zum Öffnen einer Notebookanleitung in Colab auf den Link Colab in der Notebookliste. Colab erstellt eine VM-Instanz mit allen benötigten Abhängigkeiten, startet die Colab-Umgebung und lädt das Notebook.

Vertex AI Workbench

Sie können das Notebook auch mit von Nutzern verwalteten Notebooks ausführen. Wenn Sie eine vom Nutzer verwaltete Notebook-Instanz mit Vertex AI Workbench erstellen, haben Sie die volle Kontrolle über die Hosting-VM. Sie können die Konfiguration und die Umgebung der Host-VM angeben.

Von Nutzern verwaltete Vertex AI Workbench-Notebooks wurden verworfen. Am 30. Januar 2025 wird die Unterstützung für nutzerverwaltete Notebooks eingestellt und die Möglichkeit zum Erstellen von nutzerverwalteten Notebookinstanzen wird entfernt. Vorhandene Instanzen funktionieren weiterhin, aber Patches, Updates und Upgrades sind nicht verfügbar. Um Vertex AI Workbench weiterhin zu verwenden, empfehlen wir Ihnen, Ihre nutzerverwalteten Notebooks-Instanzen zu Vertex AI Workbench-Instanzen zu migrieren.

So öffnen Sie eine Notebookanleitung in einer Vertex AI Workbench-Instanz:

1. Klicken Sie in der Notebookliste auf den Link Vertex AI Workbench. Der Link öffnet die Vertex AI Workbench-Konsole.
2. Geben Sie im Bildschirm Auf Notebook bereitstellen einen Namen für die neue Vertex AI Workbench-Instanz ein und klicken Sie auf Erstellen.
3. Klicken Sie im Dialogfeld Bereit zum Öffnen des Notebooks, das nach dem Start der Instanz angezeigt wird, auf Öffnen.
4. Wählen Sie auf der Seite Bereitstellung auf Notebook-Server bestätigen die Option Bestätigen aus.
5. Wählen Sie vor dem Ausführen des Notebooks Kernel > Kernel neu starten und alle Ausgaben löschen aus.

Liste der Notebooks

Dienst auswählen AutoML BigQuery BigQuery ML Benutzerdefiniertes Training Bild Ray in Vertex AI Tabellarisch Text Vektorsuche Vertex AI Experiments Vertex AI Feature Store Vertex AI-Modellbewertung Vertex AI Model Monitoring Vertex AI Model Registry Vertex AI Pipelines Vertex AI Prediction Vertex AI TensorBoard Vertex AI Vizier Vertex AI Workbench Vertex Explainable AI Vertex ML Metadata Video

Dienste	Beschreibung	Öffnen in
Klassifizierung für tabellarische Daten	AutoML Tabular-Training und -Vorhersagen. Erfahren Sie, wie Sie anhand eines tabellarischen Datasets ein AutoML-Modell trainieren und damit Vorhersagen erstellen. Weitere Informationen zur Klassifizierung für Tabellendaten Anleitungsschritte Erstellen Sie einen Vertex AI-Modelltrainingsjob. Trainieren Sie ein AutoML Tabular-Modell. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Erstellen Sie eine Vorhersage, indem Sie Daten senden. Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vorhersagen aus einem Bildklassifizierungsmodell abrufen	AutoML-Trainingsmodell zur Bildklassifizierung für Batchvorhersagen. In dieser Anleitung erstellen Sie ein AutoML-Modell zur Bildklassifizierung aus einem Python-Script und führen dann eine Batchvorhersage mit dem Vertex SDK aus. Weitere Informationen zum Abrufen von Vorhersagen aus einem Bildklassifizierungsmodell. Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Modellbewertung ansehen. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vorhersagen aus einem Bildklassifizierungsmodell abrufen	AutoML-Trainingsmodell zur Bildklassifizierung für Onlinevorhersagen In dieser Anleitung erstellen Sie ein AutoML-Bildklassifizierungsmodell und stellen es für Onlinevorhersagen mit dem Vertex SDK aus einem Python-Script bereit. Weitere Informationen zum Abrufen von Vorhersagen aus einem Bildklassifizierungsmodell. Anleitungsschritte Vertex-Dataset-Ressource erstellen Modell trainieren Modellbewertung ansehen. Stellen Sie die Ressource Model in einer Bereitstellungsressource vom Typ Endpoint bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung von Model auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
AutoML	AutoML-Trainingsmodell zur Bildobjekterkennung für das Exportieren in Edge. In dieser Anleitung erstellen Sie mithilfe des Vertex SDK ein AutoML-Modell zur Bildobjekterkennung aus einem Python-Script und exportieren es als Edge-Modell im TFLite-Format. Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Exportieren Sie das Edge-Modell aus der Modellressource in Cloud Storage. Laden Sie das Modell lokal herunter. Erstellen Sie eine lokale Vorhersage.	Colab Colab Enterprise GitHub Vertex AI Workbench
Objekterkennung für Bilddaten	AutoML-Trainingsmodell zur Bildobjekterkennung für Onlinevorhersagen. In dieser Anleitung erstellen Sie ein AutoML-Modell zur Bildobjekterkennung und implementieren es für Onlinevorhersagen aus einem Python-Script mithilfe des Vertex AI SDK. Weitere Informationen zur Objekterkennung für Bilddaten Anleitungsschritte Erstellen Sie eine Vertex AI-Dataset-Ressource. Modell trainieren Modellbewertung ansehen. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung des Modells auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Tabular-Workflow für E2E AutoML	AutoML Tabular-Workflow-Pipelines. Erfahren Sie, wie Sie zwei Regressionsmodelle mit Vertex AI Pipelines erstellen, das aus Google Cloud-Pipeline-Komponenten heruntergeladen wurde. Weitere Informationen zum Tabular-Workflow für E2E AutoML Anleitungsschritte Erstellen Sie eine Trainingspipeline, die den Suchbereich von der Standardeinstellung reduziert, um Zeit zu sparen. Erstellen Sie eine Trainingspipeline, die die Architektursuchergebnisse der vorherigen Pipeline wiederverwendet, um Zeit zu sparen.	Colab Colab Enterprise GitHub Vertex AI Workbench
AutoML-Training	Erste Schritte mit AutoML-Training Informationen zur Verwendung von AutoML für das Training mit Vertex AI. Weitere Informationen zum AutoML-Training Anleitungsschritte Trainieren Sie ein Bildmodell Exportieren Sie das Bildmodell als Edge-Modell Trainieren Sie ein tabellarisches Modell Exportieren Sie ein tabellarisches Modell als Cloud-Modell Trainieren Sie ein Textmodell Trainieren Sie ein Videomodell	Colab Colab Enterprise GitHub Vertex AI Workbench
Hierarchische Prognosen für tabellarische Daten	Hierarchische Vertex AI AutoML-Trainingsprognose für Batchvorhersagen. In dieser Anleitung erstellen Sie ein hierarchisches AutoML-Prognosemodell und stellen es für Batchvorhersagen mit dem Vertex AI SDK für Python bereit. Weitere Informationen zu hierarchischen Prognosen für tabellarische Daten. Anleitungsschritte Erstellen Sie eine Vertex AI-TimeSeriesDataset-Ressource. Trainieren Sie das Modell. Modellbewertung ansehen. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Objekterkennung für Bilddaten	AutoML-Trainingsmodell zur Bildobjekterkennung für Batchvorhersagen. In dieser Anleitung erstellen Sie ein AutoML-Modell zur Bildobjekterkennung aus einem Python-Script und führen dann eine Batchvorhersage mit dem Vertex AI SDK für Python aus. Weitere Informationen zur Objekterkennung für Bilddaten Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Modellbewertung ansehen. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Prognosen mit AutoML	Tabellarisches AutoML-Prognosemodell für Batchvorhersagen. Hier erfahren Sie, wie Sie ein tabellarisches AutoML-Prognosemodell aus einem Python-Script erstellen und dann eine Batchvorhersage mit dem Vertex AI SDK generieren. Weitere Informationen zu Prognosen mit AutoML Anleitungsschritte Erstellen Sie eine Vertex AI-Dataset-Ressource. Trainieren Sie eine Modellressource für tabellarische AutoML-Prognosen. Rufen Sie die Bewertungsmesswerte für die Modellressource ab. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Regression für tabellarische Daten	AutoML-Trainingsmodell mit tabellarischer Regression für Batchvorhersagen mit BigQuery. Erfahren Sie, wie Sie ein tabellarisches AutoML-Regressionsmodell erstellen und mit dem Vertex AI SDK für Python für die Batchvorhersage bereitstellen. Weitere Informationen zur Regression für tabellarische Daten Anleitungsschritte Erstellen Sie eine Vertex AI-Dataset-Ressource. Trainieren Sie eine Modellressource für tabellarische AutoML-Prognosen. Rufen Sie die Bewertungsmesswerte für die Modellressource ab. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Regression für tabellarische Daten	AutoML-Trainingsmodell mit tabellarischer Regression für Onlinevorhersagen mit BigQuery. Hier erfahren Sie, wie Sie mit dem Vertex AI SDK ein tabellarisches AutoML-Regressionsmodell erstellen und für die Onlinevorhersage aus einem Python-Script bereitstellen. Weitere Informationen zur Regression für tabellarische Daten Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Modellbewertung ansehen. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung des Modells auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Aktionserkennung für Videodaten	AutoML-Trainingsmodell zur Videoaktionserkennung für Batchvorhersagen. Hier erfahren Sie, wie Sie ein AutoML-Modell zur Videoaktionserkennung aus einem Python-Script erstellen und dann eine Batchvorhersage mit dem Vertex AI SDK treffen. Weitere Informationen zur Aktionserkennung für Videodaten Anleitungsschritte Erstellen Sie eine Vertex AI-Dataset-Ressource. Modell trainieren Modellbewertung ansehen. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Klassifizierung für Videodaten	AutoML-Trainingsmodell zur Videoklassifizierung für Batchvorhersagen Hier erfahren Sie, wie Sie ein AutoML-Modell zur Videoklassifizierung aus einem Python-Script erstellen und dann eine Batchvorhersage mit dem Vertex AI SDK treffen. Weitere Informationen zur Klassifizierung für Videodaten Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Modellbewertung ansehen. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Objekt-Tracking für Videodaten	AutoML-Trainingsmodell zum Videoobjekt-Tracking für Batchvorhersagen Erfahren Sie, wie Sie ein AutoML-Modell zum Videoobjekt-Tracking aus einem Python-Script erstellen und dann eine Batchvorhersage mit dem Vertex AI SDK für Python ausführen. Weitere Informationen zum Objekt-Tracking für Videodaten Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Modellbewertung ansehen. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
BigQuery ML	Erste Schritte mit BigQuery ML-Training. Hier erfahren Sie, wie Sie BigQuery ML für das Training mit Vertex AI verwenden. Weitere Informationen zu BigQuery ML Anleitungsschritte Erstellen Sie eine lokale BigQuery-Tabelle in Ihrem Projekt Trainieren Sie ein BigQuery ML-Modell Bewerten Sie ein BigQuery ML-Modell Exportieren Sie eine BigQuery ML-Modell als Cloud-Modell Laden Sie das exportierte Modell als eine Vertex AI-Modellressource hoch Führen Sie eine Hyperparameter-Abstimmung eines BigQuery ML-Modells mit Vertex AI Vizier aus Registrieren Sie ein BigQuery ML-Modell automatisch bei Vertex AI Model Registry	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training Vertex AI Prediction	Stellen Sie ein Iris-Erkennungsmodell mit der benutzerdefinierten FastAPI und der benutzerdefinierten Containerbereitstellung von Vertex AI bereit. Erfahren Sie, wie Sie ein benutzerdefiniertes Klassifizierungsmodell in Vertex AI erstellen und bereitstellen. Weitere Informationen zum benutzerdefinierten Training Erfahren Sie mehr über Vertex AI Prediction. Anleitungsschritte Trainieren Sie ein Modell, das die Messwerte der Blumen als Eingabe verwendet, um die Klasse der Schwertlilie vorherzusagen. Speichern Sie das Modell und seinen serialisierten Präprozessor. Erstellen Sie einen FastAPI-Server zum Verarbeiten von Vorhersagen und Systemdiagnosen. Erstellen Sie einen benutzerdefinierten Container mit Modellartefakten. Laden Sie den benutzerdefinierten Container in Vertex AI Endpoints hoch und stellen Sie ihn bereit.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training	TensorFlow-Modell mit BigQuery-Daten trainieren Erfahren Sie, wie Sie mit dem Vertex AI SDK für Python ein benutzerdefiniert trainiertes Modell aus einem Python-Script in einem Docker-Container erstellen und dann durch Senden von Daten eine Vorhersage vom bereitgestellten Modell abrufen. Erfahren Sie mehr über Vertex AI Training. Anleitungsschritte Erstellen Sie eine benutzerdefinierte Vertex AI-TrainingPipeline zum Trainieren eines Modells. Trainieren Sie ein TensorFlow-Modell. Stellen Sie die Ressource Model in einer Bereitstellungsressource vom Typ Endpoint bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung der Ressource Model auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training	Benutzerdefiniertes Training mit benutzerdefiniertem Container-Image und automatischer Modellupload in Vertex AI Model Registry. In dieser Anleitung trainieren Sie ein benutzerdefiniertes Container-Image für ein maschinelles Lernmodell für das benutzerdefinierte Training in Vertex AI. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen benutzerdefinierten Vertex AI-Job zum Trainieren eines Modells. Trainieren und registrieren Sie ein TensorFlow-Modell mit einem benutzerdefinierten Container. Listen Sie das registrierte Modell in der Vertex AI Model Registry auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Cloud Profiler	Leistung des Modelltrainings mit Profiler profilieren Erfahren Sie, wie Sie Cloud Profiler für benutzerdefinierte Trainingsjobs aktivieren. Weitere Informationen zu Cloud Profiler Anleitungsschritte Erstellen Sie ein Dienstkonto und einen Cloud Storage-Bucket Vertex AI TensorBoard-Instanz erstellen Erstellen Sie einen benutzerdefinierten Trainingsjob und führen Sie ihn aus Cloud Profiler-Dashboard aufrufen	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training	Erste Schritte mit Vertex AI Training für XGBoost. Hier erfahren Sie, wie Sie Vertex AI Training zum Trainieren eines benutzerdefinierten XGBoost-Modells verwenden. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Führen Sie das Training mit einem Python-Paket durch. Erstellen Sie einen Bericht zur Accuracy bei der Hyperparameter-Abstimmung. Speichern Sie Modellartefakte mit Cloud StorageFuse in Cloud Storage. Erstellen Sie eine Vertex AI-Modellressource.	Colab Colab Enterprise GitHub Vertex AI Workbench
Freigegebene Ressourcen für mehrere Bereitstellungen	Erste Schritte mit Endpunkt und freigegebener VM. Informationen zum Verwenden von Bereitstellungsressourcenpools für die Bereitstellung von Modellen. Weitere Informationen zu freigegebenen Ressourcen für mehrere Bereitstellungen. Anleitungsschritte Laden Sie ein vortrainiertes Bildklassifizierungsmodell als Model Modellressource (Modell A) hoch. Laden Sie ein vortrainiertes Textsatzcodierungsmodell als Model Modellressource (Modell B) hoch. Erstellen Sie einen freigegebenen VM-Bereitstellungsressourcenpool. Listen Sie freigegebene VM-Bereitstellungsressourcenpools auf. Erstellen Sie zwei Endpoint-Ressourcen. Stellen Sie das erste Modell (Modell A) mithilfe des Bereitstellungsressourcenpools in der ersten Endpoint Ressource bereit. Stellen Sie das zweite Modell (Modell B) mithilfe des Bereitstellungsressourcenpools in der zweiten Endpoint Ressource bereit. Erstellen Sie eine Vorhersageanfrage mit dem ersten bereitgestellten Modell (Modell A). Erstellen Sie eine Vorhersageanfrage mit dem zweiten bereitgestellten Modell (Modell B).	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training Vertex AI Batch Prediction	Benutzerdefiniertes Training und Batchvorhersage Erfahren Sie, wie Sie Vertex AI Training nutzen, um ein benutzerdefiniert trainiertes Modell zu erstellen, und wie Sie Vertex AI Batch Prediction verwenden, um eine Batchvorhersage für das trainierte Modell durchzuführen. Weitere Informationen zum benutzerdefinierten Training Weitere Informationen zu Vertex AI Batch Prediction Anleitungsschritte Erstellen Sie einen benutzerdefinierten Vertex AI-Job zum Trainieren eines TensorFlow-Modells. Laden Sie die trainierten Modellartefakte als Modellressource hoch. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training Vertex AI Prediction	Benutzerdefiniertes Training und Onlinevorhersage. Erfahren Sie, wie Sie mit Vertex AI Training ein benutzerdefiniert trainiertes Modell aus einem Python-Script in einem Docker-Container erstellen und wie Sie mit Vertex AI Prediction eine Vorhersage für das bereitgestellte Modell erstellen, indem Sie Daten senden. Weitere Informationen zum benutzerdefinierten Training Weitere Informationen zu Vertex AI Prediction Anleitungsschritte Erstellen Sie einen benutzerdefinierten Vertex AI-Job zum Trainieren eines TensorFlow-Modells. Laden Sie die trainierten Modellartefakte in eine Model Ressource hoch. Erstellen Sie eine Endpoint-Bereitstellungsressource. Stellen Sie die Ressource Model in einer Bereitstellungsressource vom Typ Endpoint bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung der Ressource Model auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
BigQuery-Datasets Vertex AI für BigQuery-Nutzer	Erste Schritte mit BigQuery-Datasets. Hier erfahren Sie, wie Sie BigQuery als Dataset für das Training mit Vertex AI verwenden. Weitere Informationen zu BigQuery-Datasets Weitere Informationen zu Vertex AI für BigQuery-Nutzer. Anleitungsschritte Erstellen Sie eine Vertex AI-"Dataset"-Ressource aus einer "BigQuery"-Tabelle, die mit dem AutoML-Training kompatibel ist. Extrahieren Sie eine Kopie des Datasets aus BigQuery in eine CSV-Datei in Cloud Storage, die mit AutoML oder benutzerdefiniertem Training kompatibel ist. Fügen Sie von Ihnen ausgewählte Zeilen aus einem BigQuery-Dataset in einen pandas-Dataframe ein, der mit benutzerdefiniertem Training kompatibel ist. Fügen Sie von Ihnen ausgewählte Zeilen aus einem BigQuery-Dataset in eine tf.data.Dataset ein, die mit TensorFlow-Modellen für benutzerdefiniertes Training kompatibel ist. Fügen Sie von Ihnen ausgewählte Zeilen aus extrahierten CSV-Dateien in eine tf.data.Dataset ein, die mit TensorFlow-Modellen für benutzerdefiniertes Training kompatibel ist. Erstellen Sie ein BigQuery-Dataset aus CSV-Dateien. Extrahieren Sie Daten aus der BigQuery-Tabelle in eine DMatrix, die mit XGBoost-Modellen für benutzerdefiniertes Training kompatibel ist.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Experiments Vertex ML Metadata	Vertex AI Experiment-Herkunft für benutzerdefiniertes Training erstellen Erfahren Sie, wie Sie Vorverarbeitungscode in einen Vertex AI-Test einbinden. Weitere Informationen zu Vertex AI Experiments Weitere Informationen zu Vertex ML Metadata Anleitungsschritte Führen Sie das Modul zur Vorverarbeitung von Daten aus Erstellen Sie ein Dataset-Artefakt Loggen Sie Parameter Führen Sie das Modul zum Trainieren des Modells aus Loggen Sie Parameter Erstellen Sie das Modellartefakt Weisen Sie dem Dataset, dem Modell und den Parametern eine Trackingherkunft zu.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Experiments	Parameter und Messwerte für lokal trainierte Modelle verfolgen Erfahren Sie, wie Sie Vertex AI Experiments zum Vergleichen und Bewerten von Modelltests verwenden. Weitere Informationen zu Vertex AI Experiments Anleitungsschritte Loggen Sie die Modellparameter Loggen Sie den Verlust und Messwerte in jeder Epoche in Vertex AI TensorBoard Loggen Sie die Bewertungsmesswerte	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Experiments Vertex AI Pipelines	Pipelineausführungen mit Vertex AI Experiments vergleichen Erfahren Sie, wie Sie Vertex AI Experiments verwenden, um einen Pipelinejob zu loggen und dann verschiedene Pipelinejobs zu vergleichen. Weitere Informationen zu Vertex AI Experiments Weitere Informationen zu Vertex AI Pipelines Anleitungsschritte Trainingskomponente formalisieren Trainingspipeline erstellen Mehrere Pipelinejobs ausführen und die Ergebnisse loggen Verschiedene Pipelinejobs vergleichen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI TensorBoard	Veraltete Tests in Vertex AI TensorBoard löschen. Löschen Sie veraltete Vertex AI TensorBoard-Tests, um unnötige Speicherkosten zu vermeiden. Weitere Informationen zu Vertex AI TensorBoard Anleitungsschritte So löschen Sie den TB-Test mit einem vordefinierten Schlüssel/Wert-Label-Paar So löschen Sie die vor dem create_time erstellten TB-Tests So löschen Sie die vor dem update_time erstellten TB-Tests	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Experiments	Benutzerdefiniertes automatisches Trainings-Logging – lokales Script Hier erfahren Sie, wie Sie Parameter und Messwerte eines ML-Tests, der in Vertex AI-Training ausgeführt wird, automatisch protokollieren, indem Sie die Einbindung in Vertex AI Experiments verwenden. Anleitungsschritte Formalisieren Sie den Modelltest in einem Script. Führen Sie das Modelltraining mit lokalem Script für Vertex AI Training aus. Sehen Sie sich ML-Testparameter und -Messwerte in Vertex AI Experiments an.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Experiments Vertex ML Metadata Benutzerdefiniertes Training	Erste Schritte mit Vertex AI Experiments. Erfahren Sie, wie Sie Vertex AI Experiments für das Training mit Vertex AI verwenden. Weitere Informationen zu Vertex AI Experiments Weitere Informationen zu Vertex ML Metadata Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Lokales (Notebook-)Training Test erstellen Erste Ausführung im Test erstellen Logparameter und -messwerte Artefaktherkunft erstellen Testergebnisse visualisieren Zweite Ausführung ausführen Die beiden Ausführungen im Test vergleichen Cloud (Vertex AI)-Training Innerhalb des Trainingsskripts	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Experiments	Autologging. Informationen zur Verwendung von Vertex AI Autologging. Anleitungsschritte Aktivieren des automatischen Logging im Vertex AI SDK. Trainieren des scikitlearn-Modells und Anzeige der resultierenden Testausführung mit Messwerten und Parametern, die automatisch in Vertex AI Experiments protokolliert werden, ohne dass ein Testlauf festgelegt werden müsste. Trainieren des TensorFlow-Modells und prüfen automatisch protokollierter Messwerte und Parameter für Vertex AI Experiments, wozu manuell ein Testlauf mit aiplatform.start_run() und aiplatform.end_run() festgelegt wird. Deaktivieren des automatischen Logging im Vertex AI SDK, trainieren eines PyTorch-Modells und prüfen, ob keiner der Parameter oder Messwerte protokolliert wird.	Colab Colab Enterprise GitHub Vertex AI Workbench
Klassifizierung für tabellarische Daten Vertex Explainable AI	Batcherläuterung für das tabellarische binäre AutoML-Klassifizierungsmodell. Erfahren Sie, wie Sie mit AutoML ein tabellarisches binäres Klassifizierungsmodell aus einem Python-Script erstellen und Vertex AI Batch Prediction verwenden, um Vorhersagen mit Erläuterungen zu treffen. Weitere Informationen zur Klassifizierung für Tabellendaten Weitere Informationen zu Vertex Explainable AI Anleitungsschritte Erstellen Sie eine von Vertex AI verwaltete Dataset-Ressource. Trainieren Sie ein tabellarisches binäres AutoML-Klassifizierungsmodell. Sehen Sie sich die Modellbewertungsmesswerte für das trainierte Modell an. Stellen Sie eine Batchvorhersageanfrage mit Erklärbarkeit.	Colab Colab Enterprise GitHub Vertex AI Workbench
Klassifizierung für tabellarische Daten Vertex Explainable AI	AutoML-Trainingsmodell zur tabellarischen Klassifizierung für Onlineerläuterungen. Informationen zum Erstellen eines tabellarischen binären Klassifizierungsmodells mit AutoML aus einem Python-Script. Weitere Informationen zur Klassifizierung für Tabellendaten Weitere Informationen zu Vertex Explainable AI. Anleitungsschritte Erstellen Sie eine Vertex AI-Dataset-Ressource. Trainieren Sie ein tabellarisches binäres AutoML-Klassifizierungsmodell. Sehen Sie sich die Modellbewertungsmesswerte für das trainierte Modell an. Erstellen Sie eine Endpunkt-Bereitstellungsressource. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Stellen Sie eine Anfrage für eine Onlinevorhersage mit Erklärbarkeit. Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Vertex AI Batch Prediction	Benutzerdefiniertes Trainingsmodell zur Bildklassifizierung für die Batchvorhersage mit Erklärbarkeit Hier erfahren Sie, wie Sie mit Vertex AI Training and Vertex Explainable AI ein benutzerdefiniertes Bildklassifizierungsmodell mit Erklärungen erstellen. Anschließend lernen Sie, wie Sie mit Vertex AI Batch Prediction eine Batchvorhersageanfrage mit Erklärungen stellen. Weitere Informationen zu Vertex Explainable AI. Weitere Informationen zu Vertex AI Batch Prediction Anleitungsschritte Erstellen Sie einen benutzerdefinierten Vertex AI-Job zum Trainieren eines TensorFlow-Modells. Sehen Sie sich die Modellbewertung für das trainierte Modell an. Legen Sie Erklärungsparameter für den Zeitpunkt der Modellbereitstellung fest. Laden Sie die trainierten Modellartefakte und Erklärungsparameter als eine Model Ressource hoch. Erstellen Sie eine Batchvorhersage mit Erklärungen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Vertex AI Prediction	Benutzerdefiniertes Trainingsmodell zu Bildklassifizierung für die Onlinevorhersage mit Erklärbarkeit. Erfahren Sie, wie Sie Vertex AI-Training und Vertex Explainable AI verwenden, um ein benutzerdefiniertes Bildklassifizierungsmodell mit Erklärungen zu erstellen. Weitere Informationen zu Vertex Explainable AI. Erfahren Sie mehr über Vertex AI Prediction. Anleitungsschritte Erstellen Sie einen benutzerdefinierten Vertex AI-Job zum Trainieren eines TensorFlow-Modells. Sehen Sie sich die Modellbewertung für das trainierte Modell an. Legen Sie Erklärungsparameter für den Zeitpunkt der Modellbereitstellung fest. Laden Sie die trainierten Modellartefakte und Erklärungen als eine Modellressource hoch. Erstellen Sie eine Endpunkt-Bereitstellungsressource. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage mit Erklärungen. Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Vertex AI Batch Prediction	Benutzerdefiniertes Trainingsmodell zur tabellarischen Regression für Batchvorhersagen mit Erklärbarkeit Erfahren Sie, wie Sie Vertex AI-Training und Vertex Explainable AI verwenden, um ein benutzerdefiniertes Bildklassifizierungsmodell mit Erklärungen zu erstellen. Weitere Informationen zu Vertex Explainable AI. Weitere Informationen zu Vertex AI Batch Prediction Anleitungsschritte Erstellen Sie einen benutzerdefinierten Vertex AI-Job zum Trainieren eines TensorFlow-Modells. Sehen Sie sich die Modellbewertung für das trainierte Modell an. Legen Sie Erklärungsparameter für das Modell fest. Laden Sie die trainierten Modellartefakte als Modellressource hoch. Erstellen Sie eine Batchvorhersage mit Erklärungen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Vertex AI Prediction	Benutzerdefiniertes Trainingsmodell zur tabellarischen Regression für Onlinevorhersagen mit Erklärbarkeit. Erfahren Sie, wie Sie Vertex AI-Training und Vertex Explainable AI verwenden, um ein benutzerdefiniertes tabellarisches Regressionsmodell mit Erklärungen zu erstellen. Weitere Informationen zu Vertex Explainable AI. Erfahren Sie mehr über Vertex AI Prediction. Anleitungsschritte Erstellen Sie einen benutzerdefinierten Vertex AI-Job zum Trainieren eines TensorFlow-Modells. Sehen Sie sich die Modellbewertung für das trainierte Modell an. Legen Sie Erklärungsparameter für den Zeitpunkt der Modellbereitstellung fest. Laden Sie die trainierten Modellartefakte und Erklärungen als eine Modellressource hoch. Erstellen Sie eine Endpunkt-Bereitstellungsressource. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage mit Erklärungen. Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Vertex AI Prediction	Benutzerdefiniertes Trainingsmodell zur tabellarischen Regression für Onlinevorhersagen mit Erklärbarkeit mithilfe von get_metadata. Hier erfahren Sie, wie Sie mithilfe des Vertex AI SDK ein benutzerdefiniertes Modell aus einem Python-Script in einem von Google vordefinierten Docker-Container erstellen. Weitere Informationen zu Vertex Explainable AI. Erfahren Sie mehr über Vertex AI Prediction. Anleitungsschritte Erstellen Sie einen benutzerdefinierten Vertex AI-Job zum Trainieren eines TensorFlow-Modells. Trainieren Sie ein TensorFlow-Modell. Rufen Sie die Modellartefakte ab und laden Sie sie. Sehen Sie sich die Modellbewertung für das trainierte Modell an. Erläuterungsparameter festlegen Laden Sie das Modell als eine Vertex AI-Modellressource hoch. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage mit Erklärungen. Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Vertex AI Prediction	Bildklassifizierung mit Vertex Explainable AI erklären Erfahren Sie, wie Sie featurebasierte Erklärungen für ein vortrainiertes Bildklassifizierungsmodell konfigurieren und Online- und Batchvorhersagen mit Erläuterungen erstellen. Weitere Informationen zu Vertex Explainable AI. Erfahren Sie mehr über Vertex AI Prediction. Anleitungsschritte Laden Sie das vortrainierte Modell aus TensorFlow Hub herunter Laden Sie das Modell für die Bereitstellung hoch. Stellen Sie das Modell für die Onlinevorhersage bereit Erstellen Sie die Onlinevorhersage mit Erklärungen Erstellen Sie die Batchvorhersagen mit Erklärungen	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI	Bildklassifizierung mit Vertex Explainable AI erklären. Erfahren Sie, wie Sie featurebasierte Erläuterungen mit der Sampled-Shapley-Methode in einem TensorFlow-Textklassifizierungsmodell für Onlinevorhersagen mit Erläuterungen konfigurieren. Weitere Informationen zu Vertex Explainable AI. Anleitungsschritte Erstellen und trainieren Sie das TensorFlow-Textklassifizierungsmodell. Laden Sie das Modell für die Bereitstellung hoch. Stellen Sie das Modell für die Onlinevorhersage bereit Erstellen Sie die Onlinevorhersage mit Erklärungen	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Online-Bereitstellung von Features und Abruf von BigQuery-Daten mit Vertex AI Feature Store. Erfahren Sie, wie Sie eine Online-Feature-Store-Instanz erstellen und verwenden, um Daten in BigQuery mit Vertex AI Feature Store in einem End-to-End-Workflow zum Bereitstellen und Abrufen von von Featurewerten zu hosten und bereitzustellen. Weitere Informationen zu Vertex AI Feature Store Anleitungsschritte Stellen Sie eine Online-Feature-Store-Instanz bereit, um Daten zu hosten und bereitzustellen. Registrieren Sie eine BigQuery-Ansicht bei der Online-Feature Store-Instanz und richten Sie den Synchronisierungsjob ein. Verwenden Sie den Onlineserver, um Featurewerte für Onlinevorhersagen abzurufen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Online-Feature-Bereitstellung und Abruf von BigQuery-Daten mit optimierter Vertex AI Feature Store-Bereitstellung. Erfahren Sie, wie Sie eine Online-Feature-Store-Instanz erstellen und verwenden, um Daten in BigQuery mit Vertex AI Feature Store in einem End-to-End-Workflow zum Bereitstellen und Abrufen von Featurewerten zu hosten und bereitzustellen. Weitere Informationen zu Vertex AI Feature Store Anleitungsschritte Stellen Sie eine Online-Feature-Store-Instanz bereit, um Daten mithilfe der optimierten Onlinebereitstellung mit öffentlichem oder privatem Endpunkt zu hosten und bereitzustellen. Registrieren Sie eine BigQuery-Ansicht bei der Online-Feature Store-Instanz und richten Sie den Synchronisierungsjob ein. Verwenden Sie den Onlineserver, um Featurewerte für Onlinevorhersagen abzurufen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Online-Bereitstellung von Features und Abruf von BigQuery-Daten mit Vertex AI Feature Store Erfahren Sie, wie Sie eine Online-Feature-Store-Instanz erstellen und verwenden, um Daten in BigQuery mit Vertex AI Feature Store in einem End-to-End-Workflow zur Feature-Bereitstellungen und zum Vektorabruf zu hosten und bereitzustellen. Weitere Informationen zu Vertex AI Feature Store Anleitungsschritte Stellen Sie eine Online-Feature-Store-Instanz bereit, um Daten zu hosten und bereitzustellen. Erstellen Sie eine Online-Feature-Store-Instanz, um eine BigQuery-Tabelle bereitzustellen. Verwenden Sie den Onlineserver, um den nächsten Nachbarn zu suchen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Anleitung für die Vertex AI Feature Store-basierte LLM-Fundierung. Erfahren Sie, wie Sie eine Online-Feature-Store-Instanz erstellen und verwenden, um Daten in BigQuery mit Vertex AI Feature Store in einem End-to-End-Workflow zur Feature-Bereitstellungen und zum Vektorabruf zu hosten und bereitzustellen. Weitere Informationen zu Vertex AI Feature Store Anleitungsschritte Stellen Sie eine Online-Feature-Store-Instanz bereit, um Daten zu hosten und bereitzustellen. Erstellen Sie eine Online-Feature-Store-Instanz, um eine BigQuery-Tabelle bereitzustellen. Verwenden Sie den Onlineserver, um den nächsten Nachbarn zu suchen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Vertex AI Feature Store-Featureansicht Dienst-Agenten. Informationen zum Verwenden eines speziellen Dienst-Agenten für eine Feature-Ansicht im Vertex AI Feature Store. Weitere Informationen zu Vertex AI Feature Store Anleitungsschritte Erstellen Sie eine Feature-Ansicht, die für die Verwendung eines speziellen Dienstkontos konfiguriert ist. Für jede Feature-Ansicht wird ein Dienstkonto erstellt. Dieses Dienstkonto wird zum Synchronisieren von Daten aus BigQuery verwendet. Die Get/List Feature View API gibt das automatisch erstellte Dienstkonto zurück. Nutzer müssen den Befehl bq addiampolicybinding aufrufen, um dem Dienstkonto roles/bigquery.dataViewer zu gewähren.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Streaming-Import-SDK im Vertex AI Feature Store (Legacy) Hier erfahren Sie, wie Sie mit der Methode write_feature_values aus dem Vertex AI SDK Features aus einem Pandas DataFrame in den Vertex AI Feature Store importieren. Weitere Informationen zu Vertex AI Feature Store Anleitungsschritte Erstellen Sie einen Feature Store. Erstellen Sie einen neuen Entitätstyp für Ihren Feature Store. Importieren Sie Featurewerte aus Pandas DataFrame in den Entitätstyp im Feature Store.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Vertex AI Feature Store (Legacy) mit Pandas DataFrame verwenden Informationen zur Verwendung von Vertex AI Feature Store mit pandas DataFrame. Weitere Informationen zu Vertex AI Feature Store Anleitungsschritte Erstellen Sie Featurestore-, EntityType- und Feature-Ressourcen. Importieren Sie Featurewerte aus Pandas DataFrame in den Entitätstyp. Lesen Sie Entitäts-Featurewerte aus dem Online-Feature Store in Pandas DataFrame ein. Führen Sie eine Batchbereitstellung der Featurewerte aus Ihrem Feature Store in Pandas DataFrame aus. Onlinebereitstellung mit aktualisierten Featurewerten. Genauigkeit des Zeitpunkts zum Abrufen von Featurewerten für das Training.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Feature Store	Online- und Batchvorhersagen mit Vertex AI Feature Store (Legacy) Erfahren Sie, wie Sie mit Vertex AI Feature Store Featuredaten importieren und auf die Featuredaten sowohl für die Onlinebereitstellung als auch für Offlineaufgaben wie Trainings zugreifen. Weitere Informationen zu Vertex AI Feature Store Anleitungsschritte Erstellen Sie Featurestore-, EntityType- und Feature-Ressourcen. Importieren Sie Featuredaten in die Feature Featurestore Ressource. Stellen Sie Anfragen für Onlinevorhersagen mithilfe der importierten Features bereit. Greifen Sie auf importierte Features in Offlinejobs zu, z. B. auf Trainingsjobs. Verwenden Sie den Streaming-Import, um kleine Datenmengen zu importieren.	Colab Colab Enterprise GitHub Vertex AI Workbench
Übersicht über die Unterstützung generativer KI für Vertex AI	Vertex AI LLM-Batchinferenz mit RLHF-abgestimmten Modellen. In dieser Anleitung verwenden Sie Vertex AI, um Vorhersagen aus einem mit RLHF abgestimmten Large Language Model abzurufen. Erfahren Sie mehr über die Übersicht über die generative AI-Unterstützung in Vertex AI. Anleitungsschritte Erstellen Sie einen Vertex AI-Pipelinejob mit einer vordefinierten Vorlage für Bulk-Inferenz. Führen Sie die Pipeline mithilfe von Vertex AI Pipelines aus. Erstellen Sie Vorhersageergebnisse für ein Modell für ein bestimmtes Dataset.	Colab Enterprise GitHub Vertex AI Workbench
generative_ai	Large Language Model verkleinern Hier erfahren Sie, wie Sie ein Large Language Model mit Vertex AI LLM destillieren und bereitstellen. Anleitungsschritte Rufen Sie das Vertex AI LLM-Modell ab. Verkleinern Sie das Modell (dadurch wird automatisch ein Vertex AI-Endpunkt erstellt und das Modell auf dem Endpunkt bereitgestellt). Erstellen Sie eine Vorhersage mit Vertex AI LLM.	Colab Colab Enterprise GitHub Vertex AI Workbench
Textmodelle mit RLHF-Abstimmung abstimmen	Bestärkendes Lernen durch menschliches Feedback in Vertex AI LLM. In dieser Anleitung verwenden Sie Vertex AI RLHF, um ein Large Language Model abzustimmen und bereitzustellen. Weitere Informationen zum Abstimmen von Textmodellen mithilfe von RLHF-Abstimmung Anleitungsschritte Legen Sie die Anzahl der Schritte zur Modellabstimmung fest. Vertex AI-Pipelinejob mit einer vordefinierten Abstimmungsvorlage erstellen. Führen Sie die Pipeline mithilfe von Vertex AI Pipelines aus. Vorhersagen aus dem optimierten Modell abrufen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Texteinbettung	Semantische Suche mit Einbettungen. In dieser Anleitung wird gezeigt, wie Sie eine aus Text generierte Einbettung erstellen und eine semantische Suche durchführen. Weitere Informationen zur Texteinbettung Anleitungsschritte Installation und Importe Einbettungs-Dataset erstellen Index erstellen Index abfragen	Colab Colab Enterprise GitHub Vertex AI Workbench
Text Embedding API	Text Embedding New API. Informationen zum Aufrufen der aktuellsten APIs zur Texteinbettung für zwei neue GA-Modelle, text-embedding-004 und text-multilingual-embedding-002, sowie für ein Modell der Vorabversion, text-embedding-preview-0815. Weitere Informationen zur Text Embedding API Anleitungsschritte Installation und Importe Einbettungen generieren	Colab Colab Enterprise GitHub Vertex AI Workbench
generative_ai	Texteinbettungen in Vertex AI abrufen Informationen zum Abrufen einer Texteinbettung anhand eines Texteinbettungsmodells und eines Textes. Anleitungsschritte	Colab Colab Enterprise GitHub Vertex AI Workbench
Textmodelle mit überwachter Abstimmung abstimmen	Vertex AI: PEFT-Modell abstimmen Hier erfahren Sie, wie Sie Vertex AI LLM verwenden, um ein PEFT-Large Language Model abzustimmen und bereitzustellen. Weitere Informationen zum Abstimmen von Textmodellen mithilfe von überwachter Abstimmung Anleitungsschritte Rufen Sie das Vertex AI LLM-Modell ab. Stimmen Sie das Modell ab. Dadurch wird automatisch ein Vertex AI-Endpunkt erstellt und das Modell darauf bereitgestellt. Erstellen Sie eine Vorhersage mit Vertex AI LLM. Erstellen Sie eine Vorhersage mit Vertex AI Prediction	Colab Colab Enterprise GitHub Vertex AI Workbench
generative_ai	Optimierte Texteinbettungen in Vertex AI abrufen. Informationen zum Optimieren eines Texteinbettungsmodells. Anleitungsschritte	Colab GitHub Vertex AI Workbench
PaLM API	Vertex AI SDK mit Large Language Models verwenden Hier erfahren Sie, wie Sie Texteingaben für Large Language Models bereitstellen, die in Vertex AI verfügbar sind, um generative KI-Sprachmodelle zu testen, abzustimmen und bereitzustellen. Weitere Informationen zur PaLM API. Anleitungsschritte Verwenden Sie die Vorhersageendpunkte der Vertex AI PaLM API, um generative AI-Antworten auf eine Nachricht zu empfangen. Verwenden Sie den Endpunkt für Texteinbettungen, um eine Vektordarstellung einer Nachricht zu erhalten. Führen Sie eine Prompt-Abstimmung eines LLM anhand von Eingabe-/Ausgabetrainingsdaten durch.	Colab Colab Enterprise GitHub Vertex AI Workbench
Zu Vertex AI migrieren Klassifizierung für Bilddaten	AutoML-Bildklassifizierung Erfahren Sie, wie Sie mit AutoML ein Bildmodell trainieren und mit Vertex AI Prediction und Vertex AI batch prediction Online- und Batchvorhersagen ausführen. Weitere Informationen zum Migrieren zu Vertex AI Weitere Informationen zur Klassifizierung für Bilddaten Anleitungsschritte Trainieren Sie ein AutoML-Bildklassifizierungsmodell Batchvorhersage erstellen. Stellen Sie das Modell auf einem Endpunkt bereit Erstellen Sie eine Onlinevorhersage	Colab Colab Enterprise GitHub Vertex AI Workbench
Zu Vertex AI migrieren Objekterkennung für Bilddaten	AutoML-Bildobjekterkennung. Erfahren Sie, wie Sie mit AutoML ein Bildmodell trainieren und mit Vertex AI Prediction und Vertex AI Batch Prediction Online- und Batchvorhersagen ausführen. Weitere Informationen zum Migrieren zu Vertex AI Weitere Informationen zur Objekterkennung für Bilddaten Anleitungsschritte Trainieren Sie ein AutoML-Objekterkennungsmodell. Batchvorhersage erstellen. Stellen Sie das Modell auf einem Endpunkt bereit Erstellen Sie eine Onlinevorhersage	Colab Colab Enterprise GitHub Vertex AI Workbench
Zu Vertex AI migrieren Objekt-Tracking für Videodaten	AutoML-Videoobjekt-Tracking Erfahren Sie, wie Sie mit AutoML ein Videomodell trainieren und mit Vertex AI Batch Prediction Batchvorhersagen erstellen. Weitere Informationen zum Migrieren zu Vertex AI Weitere Informationen zum Objekt-Tracking für Videodaten Anleitungsschritte Trainieren Sie ein AutoML-Videoobjekt-Tracking-Modell. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Zu Vertex AI migrieren Klassifizierung für tabellarische Daten	Tabellarische binäre AutoML-Klassifizierung. In dieser Anleitung erstellen Sie ein tabellarisches binäres AutoML-Klassifizierungsmodell und stellen es für Onlinevorhersagen mit dem Vertex AI SDK aus einem Python-Script bereit. Weitere Informationen zum Migrieren zu Vertex AI Weitere Informationen zur Klassifizierung für Tabellendaten Anleitungsschritte Erstellen Sie eine Vertex AI-Dataset-Ressource. Modell trainieren Modellbewertung ansehen. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage. Bereitstellung des Modells aufheben	Colab Colab Enterprise GitHub Vertex AI Workbench
Zu Vertex AI migrieren Klassifizierung für Videodaten	AutoML-Videoklassifizierung Erfahren Sie, wie Sie mit AutoML ein Videomodell trainieren und mit Vertex AI Batch Prediction Batchvorhersagen erstellen. Weitere Informationen zum Migrieren zu Vertex AI Weitere Informationen zur Klassifizierung für Videodaten Anleitungsschritte Trainieren Sie ein AutoML-Videoklassifizierungsmodell. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Zu Vertex AI migrieren Benutzerdefiniertes Training	Benutzerdefinierte Bildklassifizierung mit einem benutzerdefinierten Trainingscontainer. Erfahren Sie, wie Sie ein TensorFlow-Bildklassifizierungsmodell mit einem benutzerdefinierten Container und Vertex AI-Training trainieren. Weitere Informationen zum Migrieren zu Vertex AI Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Verpacken Sie den Trainingscode in eine Python-Anwendung. Containerisieren Sie die Trainingsanwendung mit Cloud Build und Artifact Registry. Erstellen Sie einen benutzerdefinierten Container-Trainingsjob in Vertex AI und führen Sie ihn aus. Bewerten Sie das über den Trainingsjob generierte Modell. Erstellen Sie in Vertex AI Model Registry eine Modellressource für das trainierte Modell. Führen Sie einen Batchvorhersagejob für Vertex AI aus. Stellen Sie die Modellressource in einem Vertex AI-Endpunkt bereit. Führen Sie einen Onlinevorhersagejob auf der Modellressource aus. Bereinigen Sie die erstellten Ressourcen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Zu Vertex AI migrieren Benutzerdefiniertes Training	Benutzerdefinierte Bildklassifizierung mit einem vordefinierten Trainingscontainer. Erfahren Sie, wie Sie ein TensorFlow-Bildklassifizierungsmodell mit einem vordefinierten Container und Vertex AI-Training trainieren. Weitere Informationen zum Migrieren zu Vertex AI Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Verpacken Sie den Trainingscode in eine Python-Anwendung. Containerisieren Sie die Trainingsanwendung mit Cloud Build und Artifact Registry. Erstellen Sie einen benutzerdefinierten Container-Trainingsjob in Vertex AI und führen Sie ihn aus. Bewerten Sie das über den Trainingsjob generierte Modell. Erstellen Sie in Vertex AI Model Registry eine Modellressource für das trainierte Modell. Führen Sie einen Batchvorhersagejob für Vertex AI aus. Stellen Sie die Modellressource in einem Vertex AI-Endpunkt bereit. Führen Sie einen Onlinevorhersagejob auf der Modellressource aus. Bereinigen Sie die erstellten Ressourcen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Zu Vertex AI migrieren Benutzerdefiniertes Training	Benutzerdefiniertes Scikit-Learn-Modell mit vordefiniertem Trainingscontainer. Erfahren Sie, wie Sie Vertex AI Training zum Erstellen eines benutzerdefiniert trainierten Modells verwenden. Weitere Informationen zum Migrieren zu Vertex AI Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen benutzerdefinierten Vertex AI-Job zum Trainieren eines scikitlearn-Modells. Laden Sie die trainierten Modellartefakte als Modellressource hoch. Batchvorhersagen generieren Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Onlinevorhersagen generieren Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Zu Vertex AI migrieren Benutzerdefiniertes Training	Benutzerdefiniertes XGBoost-Modell mit vordefiniertem Trainingscontainer Informationen zum Erstellen eines benutzerdefiniert trainierten Modells mit Vertex AI Training Weitere Informationen zum Migrieren zu Vertex AI Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen benutzerdefinierten Vertex AI-Job zum Trainieren eines xgboost-Modells. Laden Sie die trainierten Modellartefakte als Modellressource hoch. Batchvorhersagen generieren Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Onlinevorhersagen generieren Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI-Hyperparameter-Abstimmung Benutzerdefiniertes Training	Hyperparameter-Abstimmung Erfahren Sie, wie Sie mit Vertex AI Hyperparameter ein benutzerdefiniert trainiertes Modell erstellen und abstimmen. Weitere Informationen zur Vertex AI-Hyperparameter-Abstimmung Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen Vertex AI-Hyperparameter-Abstimmungsjob zum Trainieren eines TensorFlow-Modells.	Colab Colab Enterprise GitHub Vertex AI Workbench
Google Artifact Registry-Dokumentation	Erste Schritte mit Google Artifact Registry. Google Artifact Registry verwenden. Erfahren Sie mehr über die Google Artifact Registry-Dokumentation. Anleitungsschritte Privates Docker-Repository erstellen. Tagging eines Container-Images speziell für das private Docker-Repository. Container-Image per Push in das private Docker-Repository übertragen. Ein Container-Image aus dem privaten Docker-Repository abrufen. Privates Docker-Repository löschen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex ML Metadata	Parameter und Messwerte für benutzerdefinierte Trainingsjobs verfolgen Erfahren Sie, wie Sie das Vertex AI SDK für Python für Folgendes verwenden: Anleitungsschritte Verfolgen Sie Trainingsparameter und Vorhersagemesswerte für einen benutzerdefinierten Trainingsjob. Extrahieren Sie alle Parameter und Messwerte in einem Test und führen Sie Analysen von ihnen aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex ML Metadata	Parameter und Messwerte für lokal trainierte Modelle verfolgen Erfahren Sie, wie Sie Vertex ML Metadata verwenden, um Trainingsparameter und Bewertungsmesswerte zu verfolgen. Weitere Informationen zu Vertex ML Metadata Anleitungsschritte Verfolgen Sie Parameter und Messwerte für ein lokal trainiertes Modell. Extrahieren Sie alle Parameter und Messwerte in einem Test und führen Sie Analysen von ihnen aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex ML Metadata Vertex AI Pipelines	Artefakte und Messwerte über Vertex AI Pipelines-Ausführungen hinweg mit Vertex ML Metadata verfolgen Erfahren Sie, wie Sie Artefakte und Messwerte mit Vertex ML Metadata in Vertex AI-Pipelineausführungen verfolgen. Weitere Informationen zu Vertex ML Metadata Weitere Informationen zu Vertex AI Pipelines Anleitungsschritte Verwenden Sie das Kubeflow Pipelines SDK, um eine ML-Pipeline zu erstellen, die auf Vertex AI ausgeführt wird. Die Pipeline erstellt ein Dataset, trainiert ein scikitlearn-Modell und stellt das Modell auf einem Endpunkt bereit. Schreiben Sie benutzerdefinierte Pipelinekomponenten, die Artefakte und Metadaten generieren Sie können Vertex AI Pipeline-Ausführungen sowohl in der Google Cloud Console als auch programmatisch vergleichen. Verfolgen Sie die Herkunft für Pipeline-generierte Artefakte. Fragen Sie die Metadaten der Pipelineausführung ab.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI-Modellbewertung Klassifizierung für tabellarische Daten	Batchvorhersageergebnisse aus einem AutoML Tabular-Klassifizierungsmodell auswerten Informationen zum Trainieren eines Vertex AI AutoML Tabular-Klassifizierungsmodells und zum Bewerten mit einem Vertex AI-Pipelinejob mit google_cloud_pipeline_components: Weitere Informationen zur Vertex AI-Modellbewertung Weitere Informationen zur Klassifizierung für Tabellendaten Anleitungsschritte Erstellen Sie eine Vertex AI-Dataset. Trainieren Sie ein AutoML-Tabellenklassifizierungsmodell für die Dataset Ressource. Importieren Sie das trainierte AutoML model resource in die Pipeline. Batch Prediction Job ausführen Bewerten Sie das AutoML-Modell mithilfe der Classification Evaluation component. Importieren Sie die Klassifizierungsmesswerte in die AutoML-Modellressource	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI-Modellbewertung Regression für tabellarische Daten	Ergebnisse der Batchvorhersage aus dem AutoML Tabular-Regressionsmodell bewerten Erfahren Sie, wie Sie eine Vertex AI-Modellressource über einen Vertex AI-Pipelinejob mithilfe von google_cloud_pipeline_components bewerten. Weitere Informationen zuVertex AI-Modellbewertung “ Weitere Informationen zur Regression für tabellarische Daten Anleitungsschritte Vertex AI-Dataset erstellen Konfigurieren Sie eine AutoMLTabularTrainingJob-Klasse. Führen Sie den AutoMLTabularTrainingJob aus, der ein Modell zurückgibt. Importieren Sie eine vortrainierte AutoML model resource in die Pipeline. Führen Sie einen batch prediction-Job in der Pipeline aus. Bewerten Sie das AutoML-Modell mithilfe der regression evaluation component. Importieren Sie die generierten Regressionsmesswerte in die AutoML-Modellressource.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI-Modellbewertung Klassifizierung für Videodaten	Ergebnisse der Batchvorhersage aus dem AutoML Videoklassifizierungsmodell bewerten Erfahren Sie, wie Sie ein Vertex AI AutoML-Videoklassifizierungsmodell trainieren und wie Sie es über einen Vertex AI-Pipelinejob mit google_cloud_pipeline_components bewerten: Weitere Informationen zur Vertex AI Modellbewertung Weitere Informationen zur Klassifizierung für Videodaten Anleitungsschritte Vertex AI-Dataset erstellen Trainieren Sie ein AutoML-Videoklassifizierungsmodell für die Vertex AI-Dataset-Ressource. Importieren Sie die trainierte AutoML Vertex AI-Modellressource in die Pipeline. Führen Sie einen Batchvorhersagejob in der Pipeline aus Bewerten Sie das AutoML-Modell mithilfe der Klassifizierungsbewertungs-Komponente. Importieren Sie die Klassifizierungsmesswerte in die AutoML Vertex AI-Modellressource.	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Vertex AI-Training Vertex AI-Modellbewertung	BatchPrediction-Ergebnisse aus einem benutzerdefinierten tabellarischen Klassifizierungsmodell bewerten. In dieser Anleitung trainieren Sie ein scikit-learn-RandomForest-Modell, speichern das Modell in Vertex AI Model Registry und lernen, wie Sie das Modell über einen Vertex AI-Pipelinejob mit dem Google Cloud Pipeline Components Python SDK bewerten. Benutzerdefiniertes Vertex AI-Training Weitere Informationen zur Vertex AI-Modellbewertung Anleitungsschritte Rufen Sie das Dataset aus der öffentlichen Quelle ab. Vorverarbeiten Sie die Daten lokal und speichern Sie Testdaten in BigQuery. Trainieren Sie lokal ein RandomForest-Klassifizierungsmodell mit dem Python-Paket scikitlearn. Erstellen Sie in Artifact Registry einen benutzerdefinierten Container für Vorhersagen. Laden Sie das Modell in Vertex AI Model Registry hoch. Erstellen und führen Sie eine Vertex AI-Pipeline aus, die	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI-Modellbewertung Benutzerdefiniertes Training	Ergebnisse der Batchvorhersage aus dem benutzerdefinierten Tabular-Regressionsmodell bewerten Informationen zum Bewerten einer Vertex AI-Modellressource über einen Vertex AI-Pipelinejob mit Google Cloud-Pipeline-Komponenten. Weitere Informationen zur Vertex AI-Modellbewertung Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen benutzerdefinierten Vertex AI-Trainingsjob, um ein TensorFlow-Modell zu trainieren. Führen Sie den benutzerdefinierten Trainingjob aus. Rufen Sie die Modellartefakte ab und laden Sie sie. Modellbewertung ansehen. Laden Sie das Modell als eine Vertex AI-Modellressource hoch. Importieren Sie eine vortrainierte Vertex AI-Modellressource in die Pipeline. Führen Sie einen Batchvorhersage-Job in der Pipeline aus. Bewerten Sie das Modell mithilfe der Regressionsbewertungs-Komponente. Importieren Sie die Regressionsmesswerte in die Vertex AI-Modellressource.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI AutoSxS-Modellbewertung	Prüfen Sie die Ausrichtung des Autoraters anhand eines Datasets mit menschlichen Präferenzen. Erfahren Sie, wie Sie Vertex AI Pipelines und google_cloud_pipeline_components verwenden, um die Ausrichtung der Autorater anhand von Daten mit menschlichen Präferenzen zu prüfen: Weitere Informationen zur Vertex AI AutoSxS-Modellbewertung Anleitungsschritte Erstellen Sie ein Bewertungs-Dataset mit Vorhersagen und menschlichen Präferenzdaten. Vorverarbeiten Sie die Daten lokal und speichern Sie sie in Cloud Storage. Erstellen Sie eine Vertex AI AutoSxS-Pipeline, die die Bewertungen und eine Reihe von AutoSxS-Messwerten anhand der generierten Bewertungen generiert. Drucken Sie die Bewertungen und AutoSxS-Messwerte. Bereinigen Sie die Ressourcen, die in diesem Notebook erstellt wurden.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI AutoSxS-Modellbewertung	Ein LLM in der Vertex AI Model Registry mit einem Drittanbietermodell vergleichen Informationen zum Vergleichen der Leistung von zwei LLM-Modellen mit Vertex AI Pipelines und google_cloud_pipeline_components: Weitere Informationen zur Vertex AI AutoSxS-Modellbewertung Anleitungsschritte Rufen Sie das Dataset aus der öffentlichen Quelle ab. Vorverarbeiten Sie die Daten lokal und speichern Sie Testdaten in Cloud Storage. Erstellen und führen Sie eine Vertex AI AutoSxS-Pipeline aus, die die Bewertungen generiert und die beiden Kandidatenmodelle anhand der generierten Bewertungen bewertet. Drucken Sie die Bewertungen und Bewertungsmesswerte aus. Bereinigen Sie die Ressourcen, die in diesem Notebook erstellt wurden.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring für Batchvorhersagen	Vertex AI Batch Prediction mit Model Monitoring Erfahren Sie, wie Sie mit dem Vertex AI Model Monitoring-Dienst Drifts und Anomalien in der Batchvorhersage erkennen. Erfahren Sie mehr über Vertex AI Model Monitoring für Batchvorhersagen. Anleitungsschritte Laden Sie ein vortrainiertes Modell als eine Vertex AI-Modellressource hoch. Generieren Sie Batchvorhersageanfragen. Interpretieren Sie die Statistiken, Visualisierungen und anderen Daten, die vom Modellmonitoringfeature gemeldet werden.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring für tabellarische AutoML-Modelle. Erfahren Sie, wie Sie mit dem Vertex AI Model Monitoring-Dienst Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen für tabellarische AutoML-Modelle erkennen. Weitere Informationen zu Vertex AI Model Monitoring Anleitungsschritte Trainieren Sie ein AutoML-Modell. Stellen Sie die Modellressource in einem Vertex AI-Endpunktressource bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Generieren Sie synthetische Vorhersageanfragen für Abweichungen. Generieren Sie synthetische Vorhersageanfragen für Drift. Warten Sie auf die E-Mail-Warnung.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring für Onlinevorhersagen in AutoML-Bildmodellen Informationen zum Verwenden von Vertex AI Model Monitoring mit Vertex AI Online Prediction und einem AutoML-Bildklassifizierungsmodell, um ein Out-of-Distribution-Bild zu erkennen. Weitere Informationen zu Vertex AI Model Monitoring Anleitungsschritte 1. Trainieren Sie ein AutoML-Bildklassifizierungsmodell 2. Erstellen Sie einen Endpunkt. 3. Stellen Sie das Modell auf dem Endpunkt bereit und konfigurieren Sie es für das Modellmonitoring. 4. Senden Sie eine Onlinevorhersage sowohl mit In-Distribution-Bildern als auch mit Out-of-Distribution-Bildern. 5. Verwenden Sie Model Monitoring, um die Anomaliepunktzahl für jedes Bild zu berechnen. 6. Identifizieren Sie die Out-of-Distribution-Bilder in der Onlinevorhersageanfrage.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring für benutzerdefinierte tabellarische Modelle. Erfahren Sie, wie Sie mit dem Vertex AI Model Monitoring-Dienst Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen für benutzerdefinierte tabellarische Modelle erkennen. Weitere Informationen zu Vertex AI Model Monitoring Anleitungsschritte Laden Sie ein vortrainiertes benutzerdefiniertes tabellarisches Modell herunter. Laden Sie das vortrainierte Modell in "Vertex AI Model Registry" hoch. Stellen Sie die Modellressource in einem Vertex AI-Endpunktressource bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Generieren Sie synthetische Vorhersageanfragen, um Schiefe zu simulieren. Warten Sie auf die E-Mail-Benachrichtigungen. Generieren Sie synthetische Vorhersageanfragen, um Drift zu simulieren. Warten Sie auf E-Mail-Benachrichtigungen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring für benutzerdefinierte tabellarische Modelle mit TensorFlow-Bereitstellungscontainer. Erfahren Sie, wie Sie mit dem Vertex AI Model Monitoring-Dienst Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen für benutzerdefinierte tabellarische Modelle erkennen, indem Sie einen benutzerdefinierten Deployment-Container verwenden. Weitere Informationen zu Vertex AI Model Monitoring Anleitungsschritte Laden Sie ein vortrainiertes benutzerdefiniertes tabellarisches Modell herunter. Laden Sie das vortrainierte Modell als eine Modellressource hoch. Stellen Sie die Modellressource in einer Endpunktressource mit der Bereitstellungsbinärdatei "TensorFlow Serving" bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Generieren Sie synthetische Vorhersageanfragen für Abweichungen. Warten Sie auf die E-Mail-Warnung. Generieren Sie synthetische Vorhersageanfragen für Drift. Warten Sie auf die E-Mail-Warnung.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring zur Einrichtung von tabellarischen Modellen. Erfahren Sie, wie Sie den Vertex AI Model Monitoring-Dienst einrichten, um Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen zu erkennen. Weitere Informationen zu Vertex AI Model Monitoring Anleitungsschritte Laden Sie ein vortrainiertes benutzerdefiniertes tabellarisches Modell herunter. Laden Sie das vortrainierte Modell als eine Modellressource hoch. Stellen Sie die Modellressource in der Endpunktressource bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Erkennung von Abweichungen und Drift für Feature-Eingaben. Erkennung von Abweichungen und Drift für Feature-Attributionen. Automatische Generierung des Eingabeschemas durch Senden einer 1.000-Vorhersageanfrage. Listen Sie Monitoringjobs auf, halten Sie sie an, setzen Sie sie fort und löschen Sie sie. Starten Sie den Monitoringjob mit vordefiniertem Eingabeschema neu. Rufen Sie protokollierte überwachte Daten auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring für XGBoost-Modelle. Erfahren Sie, wie Sie mit dem Vertex AI Model Monitoring-Dienst Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen für XGBoost-Modelle erkennen. Weitere Informationen zu Vertex AI Model Monitoring Anleitungsschritte Laden Sie ein vortrainiertes XGBoost-Modell herunter. Laden Sie das vortrainierte Modell in "Vertex AI Model Registry" hoch. Stellen Sie die Modellressource in einem Vertex AI-Endpunktressource bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Monitoring	Vertex AI Model Monitoring mit Explainable AI-Featureattributionen. Erfahren Sie, wie Sie mit dem Vertex AI Model Monitoring-Dienst Drifts und Anomalien in Vorhersageanfragen von einer bereitgestellten Vertex AI-Modellressource erkennen. Weitere Informationen zu Vertex AI Model Monitoring Anleitungsschritte Laden Sie ein vortrainiertes Modell als eine Vertex AI-Modellressource hoch. Erstellen Sie eine Vertex AI-Endpunktressource. Stellen Sie die Modellressource in der Endpunktressource bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Initialisieren Sie die Baseline-Verteilung für das Modellmonitoring. Generieren Sie synthetische Vorhersageanfragen. Machen Sie sich einen Begriff davon, wie Sie die Statistiken, Visualisierungen und anderen Daten interpretieren, die vom Modellmonitoringfeature gemeldet werden.	Colab Colab Enterprise GitHub Vertex AI Workbench
model_monitoring_v2	Modellmonitoring für benutzerdefinierten Vertex AI-Modell-Batchvorhersagejob. In dieser Anleitung führen Sie die folgenden Schritte aus: Anleitungsschritte	Colab Colab Enterprise GitHub Vertex AI Workbench
model_monitoring_v2	Modellmonitoring für benutzerdefinierte Onlinevorhersage von Vertex AI In dieser Anleitung führen Sie die folgenden Schritte aus: Anleitungsschritte	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Model Registry	Erste Schritte mit Vertex AI Model Registry. Mit Vertex AI Model Registry mehrere Versionen eines Modells erstellen und registrieren. Weitere Informationen zu Vertex AI Model Registry. Anleitungsschritte Erste Version eines Modells in Vertex AI Model Registry erstellen und registrieren Zweite Version eines Modells in Vertex AI Model Registry erstellen und registrieren Modellversion aktualisieren, die die Standardversion ist. Modellversion löschen. Nächste Modellversion neu trainieren.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines AutoML-Komponenten Klassifizierung für tabellarische Daten	AutoML Tabular-Pipelines mit google-cloud-pipeline-components Erfahren Sie, wie Sie Vertex AI Pipelines und Google Cloud-Pipeline-Komponenten zum Erstellen eines tabellarischen AutoML-Klassifizierungsmodells verwenden. Weitere Informationen zu Vertex AI Pipelines Erfahren Sie mehr über AutoML-Komponenten. Weitere Informationen zur Klassifizierung für Tabellendaten Anleitungsschritte Erstellen Sie eine KFP-Pipeline, mit der ein Vertex AI-Dataset erstellt wird. Fügen Sie der Pipeline eine Komponente hinzu, mit der eine tabellarische AutoML-Klassifizierungsmodellressource trainiert wird. Fügen Sie eine Komponente hinzu, die eine Vertex AI-Endpunktressource erstellt. Fügen Sie eine Komponente hinzu, die die Modellressource in der Endpunktressource bereitstellt. Kompilieren Sie die KFP-Pipeline. Führen Sie die KFP-Pipeline mithilfe von Vertex AI Pipelines aus	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Vergleich von Challenger- und Blessed-Methode für die Modellbereitstellung in der Produktion. Hier erfahren Sie, wie Sie eine Vertex AI-Pipeline erstellen, die eine neue Challenger-Version eines Modells trainiert, das Modell bewertet und die Bewertung mit dem vorhandenen Blessed-Modell in der Produktion vergleicht. Anleitungsschritte Importieren Sie ein vortrainiertes Modell (Blessed) in die Vertex AI Model Registry. Importieren Sie Messwerte der synthetischen Modellbewertung in das entsprechende Modell (Blessed). Erstellen Sie eine Vertex AI-Endpunktressource. Stellen Sie das Blessed-Modell in der Endpunktressource bereit. Erstellen Sie eine Vertex AI-Pipeline, die die folgenden Schritte ausführt:	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Pipeline-Steuerungsstrukturen mit dem KFP SDK. Erfahren Sie, wie Sie das KFP SDK verwenden, das Schleifen und Bedingungen einschließlich verschachtelter Beispiele verwendet, um Pipelines zu erstellen. Weitere Informationen zu Vertex AI Pipelines Anleitungsschritte KFP-Pipeline mit Ablaufsteuerungskomponenten erstellen Kompilieren Sie die KFP-Pipeline Führen Sie die KFP-Pipeline mithilfe von Vertex AI Pipelines aus	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines Benutzerdefinierte Trainingskomponenten	Benutzerdefiniertes Training mit vordefinierten Google Cloud-Pipeline-Komponenten Erfahren Sie, wie Sie Vertex AI Pipelines und Google Cloud-Pipeline-Komponenten zum Erstellen eines benutzerdefinierten Modells verwenden. Weitere Informationen zu Vertex AI Pipelines Erfahren Sie mehr über Benutzerdefinierte Trainingskomponenten. Anleitungsschritte Erstellen Sie eine KFP-Pipeline	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines Vertex AI-Batchvorhersagekomponenten	Training und Batchvorhersage mit BigQuery-Quelle und -Ziel für ein benutzerdefiniertes tabellarisches Klassifizierungsmodell. In dieser Anleitung trainieren Sie ein tabellarisches scikit-learn-Klassifizierungsmodell und erstellen dafür einen Batchvorhersagejob über eine Vertex AI-Pipeline mit google_cloud_pipeline_components. Weitere Informationen zu Vertex AI Pipelines Weitere Informationen zu Vertex AI Batch Prediction-Komponenten Anleitungsschritte Erstellen Sie ein Dataset in BigQuery. Legen Sie einige Daten aus dem Quell-Dataset für die Batchvorhersage fest. Erstellen Sie ein benutzerdefiniertes Python-Paket für die Trainingsanwendung. Laden Sie ein Python-Paket in Cloud Storage hoch. Erstellen Sie eine Vertex AI-Pipeline, die	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines Vertex AI-Hyperparameter-Abstimmung	Erste Schritte mit den Pipeline-Komponenten der Vertex AI-Hyperparameter-Abstimmung. Informationen zur Verwendung der vordefinierten Google Cloud-Pipeline-Komponenten für die Vertex AI-Hyperparameter-Abstimmung. Weitere Informationen zu Vertex AI Pipelines Weitere Informationen zur Vertex AI-Hyperparameter-Abstimmung Anleitungsschritte Erstellen Sie eine Pipeline für	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Erste Schritte mit der Maschinenverwaltung für Vertex AI Pipelines. Erfahren Sie, wie Sie eine eigenständige benutzerdefinierte Trainingskomponente in eine Vertex AI CustomJob konvertieren. Dabei gilt: Anleitungsschritte Benutzerdefinierte Komponente mit einem eigenständigen Trainingsjob erstellen. Pipeline mit den Einstellungen auf Komponentenebene für Maschinenressourcen ausführen. Eigenständige Trainingskomponente in einen Vertex AI CustomJob konvertieren. Pipeline mit Einstellungen des benutzerdefinierten Jobs für Maschinenressourcen ausführen.	Colab GitHub Vertex AI Workbench
Vertex AI Pipelines AutoML-Komponenten	AutoML-Bildklassifizierungspipelines mit google-cloud-pipeline-components. Erfahren Sie, wie Sie Vertex AI Pipelines und Google Cloud-Pipeline-Komponenten zum Erstellen eines AutoML-Bildklassifizierungsmodells verwenden. Weitere Informationen zu Vertex AI Pipelines Erfahren Sie mehr über AutoML-Komponenten. Anleitungsschritte Erstellen Sie eine KFP-Pipeline	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines AutoML-Komponenten Regression für tabellarische Daten	Tabellarische AutoML-Regressionspipelines mit google-cloud-pipeline-components. Informationen zum Erstellen eines tabellarischen AutoML-Regressionsmodells mit Vertex AI Pipelines und Google Cloud Pipeline Components Weitere Informationen zu Vertex AI Pipelines Weitere Informationen zu AutoML-Komponenten Weitere Informationen zur Regression für tabellarische Daten Anleitungsschritte Erstellen Sie eine KFP-Pipeline, die eine Dataset-Ressource erstellt. Fügen Sie der Pipeline eine Komponente hinzu, mit der eine Model-Ressource für die tabellarische AutoML-Regression trainiert wird. Fügen Sie eine Komponente hinzu, mit der eine Endpoint-Ressource erstellt wird. Fügen Sie eine Komponente hinzu, die die Ressource Model in der Ressource Endpoint bereitstellt. Kompilieren Sie die KFP-Pipeline. Führen Sie die KFP-Pipeline mit Vertex AI Pipelines aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines AutoML-Komponenten	AutoML-Textklassifizierungspipelines mit google-cloud-pipeline-components. Informationen zum Erstellen eines AutoML-Textklassifizierungsmodells mit Vertex AI Pipelines und Google Cloud Pipeline Components Weitere Informationen zu Vertex AI Pipelines Weitere Informationen zu AutoML-Komponenten Anleitungsschritte Erstellen Sie eine KFP-Pipeline	Colab GitHub Vertex AI Workbench
Vertex AI Pipelines BigQuery ML-Komponenten	Akquisitions-/Vorhersagemodell mit Swivel, BigQuery ML und Vertex AI Pipelines trainieren. Erfahren Sie, wie Sie mit Vertex AI-Pipelines eine einfache BigQuery ML-Pipeline erstellen, um Texteinbettungen von Artikelinhalten zu berechnen und sie in die Kategorie *Unternehmensakquisitionen* zu klassifizieren. Weitere Informationen zu Vertex AI Pipelines Erfahren Sie mehr über BigQuery ML-Komponenten. Anleitungsschritte Erstellen Sie eine Komponente für einen Dataflow-Job, der Daten in BigQuery aufnimmt. Erstellen Sie eine Komponente für Vorverarbeitungsschritte, die mit den Daten in BigQuery ausgeführt werden. Erstellen Sie eine Komponente zum Trainieren eines logistischen Regressionsmodells mit BigQuery ML. Erstellen und konfigurieren Sie eine Kubeflow DSL-Pipeline mit allen erstellten Komponenten. Kompilieren Sie die Pipeline in Vertex AI Pipelines und führen Sie sie aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines Benutzerdefinierte Trainingskomponenten	Modelltraining, -upload und -bereitstellung mithilfe von Google Cloud-Pipeline-Komponenten Erfahren Sie, wie Sie Vertex AI Pipelines und die Google Cloud-Pipeline-Komponente zum Erstellen und Bereitstellen eines benutzerdefinierten Modells verwenden. Weitere Informationen zu Vertex AI Pipelines Erfahren Sie mehr über Benutzerdefinierte Trainingskomponenten. Anleitungsschritte Erstellen Sie eine KFP-Pipeline	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Vertex AI Pipelines mit KFP 2.x. Informationen zur Verwendung von Vertex AI Pipelines und KFP 2. Anleitungsschritte Erstellen Sie eine KFP-Pipeline	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Einfache funktionsbasierte Python-Komponenten und Komponenten-E/A. Erfahren Sie, wie Sie mit dem KFP SDK einfache funktionsbasierte Python-Komponenten erstellen können und lernen Sie anschließend, wie Sie mit Vertex AI Pipelines die Pipeline ausführen. Weitere Informationen zu Vertex AI Pipelines Anleitungsschritte Erstellen Sie funktionsbasierte Python-KFP-Komponenten. Erstellen Sie eine KFP-Pipeline. Übergeben Sie Artefakte und Parameter zwischen Komponenten, sowohl nach Pfadreferenz als auch nach Wert. Verwenden Sie die Methode kfp.dsl.importer. Kompilieren Sie die KFP-Pipeline. Führen Sie die KFP-Pipeline mithilfe von Vertex AI Pipelines aus	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Messwertvisualisierung und Ausführungsvergleich mithilfe des KFP SDK. Erfahren Sie, wie Sie mit dem KFP SDK für Python Pipelines erstellen, die Bewertungsmesswerte generieren. Weitere Informationen zu Vertex AI Pipelines Anleitungsschritte Erstellen Sie KFP-Komponenten.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Vergleich von Multicontender- und Champion-Methode für die Modellbereitstellung in der Produktion. Erfahren Sie, wie Sie eine Vertex AI-Pipeline erstellen, die neue Produktionsdaten aus einem bereitgestellten Modell im Vergleich zu anderen Versionen des Modells bewertet, um festzustellen, ob ein Contender-Modell zum Champion-Modell für die Ersetzung in der Produktion wird. Anleitungsschritte Importieren Sie ein vortrainiertes Modell (Champion) in die Vertex AI Model Registry. Importieren Sie Messwerte für die synthetische Modellbewertung in das entsprechende Modell (Champion). Erstellen Sie eine Vertex AI-Endpunktressource. Stellen Sie das Champion-Modell in der Endpunktressource bereit. Importieren Sie zusätzliche Versionen (Contender) des bereitgestellten Modells. Importieren Sie Messwerte für die synthetische Modelltrainingsbewertung in die entsprechenden Modelle (Contender). Erstellen Sie eine Vertex AI-Pipeline, die die folgenden Schritte ausführt:	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Pipelines	Pipeline-Einführung für KFP. Erfahren Sie, wie Sie mit dem KFP SDK für Python Pipelines erstellen, die Bewertungsmesswerte generieren. Weitere Informationen zu Vertex AI Pipelines Anleitungsschritte Definieren und kompilieren Sie eine Vertex AI-Pipeline. Geben Sie an, welches Dienstkonto für eine Pipelineausführung verwendet werden soll. Führen Sie die Pipeline mit dem Vertex AI SDK für Python und der REST API aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
AutoML-Komponenten BigQuery ML-Komponenten	BigQuery ML und AutoML – Rapid Prototyping mit Vertex AI Erfahren Sie, wie Sie Vertex AI Pipelines für ein schnelles Prototyping eines Modells verwenden. Erfahren Sie mehr über AutoML-Komponenten. Erfahren Sie mehr über BigQuery ML-Komponenten. Anleitungsschritte Erstellen Sie ein BigQuery- und Vertex AI-Trainings-Dataset. Trainieren Sie ein BigQuery ML- und AutoML-Modell. Extrahieren Sie Bewertungsmesswerte aus den BigQuery ML- und AutoML-Modellen. Wählen Sie das am besten trainierte Modell aus. Stellen Sie das am besten trainierte Modell bereit. Testen Sie die bereitgestellte Modellinfrastruktur.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Batch Prediction	Batchvorhersage durch benutzerdefinierte Modelle mit Featurefilterung. Erfahren Sie, wie Sie mit dem Vertex AI SDK für Python ein benutzerdefiniert trainiertes Modell aus einem Python-Script in einem Docker-Container erstellen und dann einen Batchvorhersagejob ausführen, indem Sie eine Liste von Features ein- oder ausschließen. Weitere Informationen zu Vertex AI Batch Prediction Anleitungsschritte Erstellen Sie eine benutzerdefinierte Vertex AI-TrainingPipeline zum Trainieren eines Modells. Trainieren Sie ein TensorFlow-Modell. Senden Sie einen Batchvorhersagejob.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Prediction	Erste Schritte mit dem NVIDIA Triton-Server. Hier erfahren Sie, wie Sie einen Container bereitstellen, auf dem Nvidia Triton Server mit einer Vertex AI-Modellressource auf einem Vertex AI-Endpunkt für Onlinevorhersagen ausgeführt wird. Weitere Informationen zu Vertex AI Prediction Anleitungsschritte Laden Sie die Modellartefakte aus TensorFlow Hub herunter. Erstellen Sie eine Triton-Konfigurationsdatei für die Bereitstellung für das Modell. Erstellen Sie einen benutzerdefinierten Container mit einem Triton-Bereitstellungs-Image für die Modellbereitstellung. Laden Sie das Modell als eine Vertex AI-Modellressource hoch. Stellen Sie die Vertex AI-Modellressource für eine Vertex AI-Endpunktressource bereit. Vorhersageanfrage stellen Heben Sie die Bereitstellung der Modellressource auf und löschen Sie den Endpunkt	Colab Colab Enterprise GitHub Vertex AI Workbench
Raw Predict	Erste Schritte mit TensorFlow-Bereitstellungsfunktionen mit Vertex AI Raw Prediction Erfahren Sie, wie Sie Vertex AI Raw Prediction für eine Vertex AI Endpoint-Ressource verwenden. Weitere Informationen zu Raw Predict. Anleitungsschritte Laden Sie vortrainierte tabellarische Klassifizierungsmodellartefakte für einen TensorFlow 1.x-Estimator herunter. Laden Sie das TensorFlow-Estimator-Modell als Vertex AI Model-Ressource hoch. Endpoint-Ressource erstellen Bereitstellen der Ressource Model in einer Endpoint-Ressource. Treffen Sie eine Online-Rohvorhersage für die Model-Ressourceninstanz, die in der Endpoint-Ressource bereitgestellt ist.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vorhersagen von einem benutzerdefinierten Modell abrufen	Erste Schritte mit TensorFlow Serving mit Vertex AI Prediction. Erfahren Sie, wie Sie Vertex AI Prediction für eine Vertex AI Endpoint-Ressource mit der Bereitstellungsbinärdatei TensorFlow Serving verwenden. Erfahren Sie mehr über den Abruf von Vorhersagen von einem benutzerdefiniert trainierten Modell. Anleitungsschritte	Colab Colab Enterprise GitHub Vertex AI Workbench
Private Endpunkte	Erste Schritte mit Vertex AI Private Endpoints. Mehr zum Verwenden von Vertex AI Private Endpoint-Ressourcen Weitere Informationen zu privaten Endpunkten Anleitungsschritte Private Endpoint Ressource erstellen VPC-Peering-Verbindung konfigurieren. Bereitstellungsbinärdatei einer Model-Ressource für die Bereitstellung in einer Private Endpoint-Ressource konfigurieren. Bereitstellung einer Model-Ressource in einer Private Endpoint-Ressource Vorhersageanfrage an ein Private Endpoint senden	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Language Models	Vertex AI LLM und Streamingvorhersage. Erfahren Sie, wie Sie mit Vertex AI LLM ein vortrainiertes LLM-Modell herunterladen, Vorhersagen treffen und das Modell abstimmen. Weitere Informationen zu Vertex AI Language Models. Anleitungsschritte Laden Sie ein vortrainiertes Textgenerierungsmodell. Treffen Sie eine Nicht-Streaming-Vorhersage Laden Sie ein vortrainiertes Textgenerierungsmodell, das Streaming unterstützt. Streamingvorhersage treffen Laden Sie ein vortrainiertes Chatmodell. Lokale interaktive Chatsitzung ausführen. Batchvorhersage mit einem Modell zur Textgenerierung durchführen. Batchvorhersage mit einem Texteinbettungsmodell durchführen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vorkonfigurierte Container für Vorhersagen	PyTorch-Bildmodelle mit vordefinierten Containern in Vertex AI bereitstellen. Informationen zum Verpacken und Bereitstellen eines PyTorch-Bildklassifizierungsmodells mit einem vordefinierten Vertex AI-Container mit TorchServe zur Bereitstellung von Online- und Batchvorhersagen. Weitere Informationen zu vordefinierten Containern für die Vorhersage. Anleitungsschritte Laden Sie ein vortrainiertes Bildmodell von PyTorch herunter. Erstellen Sie einen benutzerdefinierten Modell-Handler. Verpacken Sie Modellartefakte in einer Modellarchivdatei. Laden Sie das Modell für die Bereitstellung hoch. Stellen Sie das Modell für die Vorhersage bereit. Onlinevorhersagen treffen Batchvorhersagen treffen	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Prediction	PyTorch-Modelle mit vordefinierten Containern in Vertex AI trainieren und bereitstellen. Erfahren Sie, wie Sie ein PyTorch-Bildklassifizierungsmodell mit vordefinierten Containern für benutzerdefiniertes Training und die Vorhersage erstellen, trainieren und bereitstellen. Anleitungsschritte Verpacken Sie die Trainingsanwendung in eine Python-Quelldistribution. Konfigurieren Sie den Trainingsjob in einem vordefinierten Container und führen Sie ihn aus. Verpacken Sie Modellartefakte in einer Modellarchivdatei. Laden Sie das Modell für die Bereitstellung hoch. Stellen Sie das Modell mit einem vordefinierten Container für die Vorhersage bereit. Onlinevorhersagen treffen	Colab Colab Enterprise GitHub Vertex AI Workbench
Ray on Vertex AI – Übersicht	Erste Schritte mit PyTorch auf Ray in Vertex AI. Erfahren Sie, wie Sie den Trainingsprozess eines PyTorch-Bildklassifizierungsmodells mithilfe von Ray in Vertex AI effizient verteilen. Weitere Informationen zu Ray in Vertex AI Anleitungsschritte Trainingsskript vorbereiten Ray-Job mit der Ray Jobs API senden Laden Sie ein trainiertes Bildmodell von PyTorch herunter. Erstellen Sie einen benutzerdefinierten Modell-Handler. Verpacken Sie Modellartefakte in einer Modellarchivdatei. Modell in Vertex AI Model Registry registrieren Modell in einem Vertex AI-Endpunkt bereitstellen Onlinevorhersagen treffen	Colab Colab Enterprise GitHub Vertex AI Workbench
Ray on Vertex AI – Übersicht	Clusterverwaltung für Ray in Vertex AI Hier erfahren Sie, wie Sie einen Cluster erstellen, vorhandene Cluster auflisten, einen Cluster abrufen, einen Cluster aktualisieren und einen Cluster löschen. Weitere Informationen zu Ray in Vertex AI Anleitungsschritte Erstellen Sie einen Cluster. Listen Sie vorhandene Cluster auf. Rufen Sie einen Cluster ab. Skalieren Sie den Cluster manuell hoch und dann herunter. Cluster automatisch skalieren. Löschen Sie vorhandene Cluster.	Colab Colab Enterprise GitHub Vertex AI Workbench
Ray in Vertex AI Spark on Ray in Vertex AI	Spark on Ray in Vertex AI Informationen zum Ausführen von Spark-Anwendungen mit RayDP auf einem Ray-Cluster in Vertex AI. Weitere Informationen zu Ray in Vertex AI Weitere Informationen zu Spark on Ray in Vertex AI. Anleitungsschritte Benutzerdefiniertes Container-Image für Ray on Vertex AI erstellen Ray-Cluster in Vertex AI mit benutzerdefiniertem Container-Image erstellen Spark mit RayDP interaktiv auf dem Cluster ausführen Spark-Anwendung über die Ray Job API auf einem Cluster ausführen Dateien aus Google Cloud Storage in der Spark-Anwendung lesen Pandas-UDF in Spark-Anwendung auf Ray in Vertex AI Ray-Cluster in Vertex AI löschen	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training Vertex AI Reduction Server	Verteiltes PyTorch-Training mit Vertex AI Reduction Server. Erfahren Sie, wie Sie einen verteilten PyTorch-Trainingsjob erstellen, der ein verteiltes PyTorch-Trainings-Framework und -Tools verwendet, und den Trainingsjob im Vertex AI-Trainingsdienst mit Reduction Server ausführen. Erfahren Sie mehr über Vertex AI Training. Weitere Informationen zu Vertex AI Reduction Server Anleitungsschritte Erstellen Sie eine verteilte PyTorch-Trainingsanwendung. Verpacken Sie die Trainingsanwendung mit vordefinierten Containern. Erstellen Sie einen benutzerdefinierten Job in Vertex AI mit Reduction Server. Job senden und überwachen	Colab Colab Enterprise GitHub Vertex AI Workbench
Klassifizierung für Videodaten	Beispiel eines AutoML-Videoklassifizierungsmodells. Das Ziel dieses Notebooks ist es, ein AutoML-Videoklassifizierungsmodell zu erstellen. Weitere Informationen zur Klassifizierung für Videodaten Anleitungsschritte Legen Sie Ihren Aufgabennamen und das Cloud Storage-Präfix fest. Kopieren Sie AutoML-Video-Demo-Trainingsdaten zum Erstellen eines verwalteten Datasets Erstellen Sie ein Dataset in Vertex AI. Konfigurieren Sie einen Trainingsjob Starten Sie einen Trainingsjob und erstellen Sie ein Modell in Vertex AI Kopieren Sie AutoML-Video-Demo-Vorhersagedaten zum Erstellen eines Batchvorhersagejobs Führen Sie den Batchvorhersagejob auf dem Modell aus	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training	Benutzerdefiniertes Training mit Python-Paket, verwaltetem Text-Dataset und TF-Bereitstellungscontainer. Erfahren Sie, wie Sie mithilfe von benutzerdefinierten Python-Pakettrainings ein benutzerdefiniertes Modell erstellen. Außerdem erfahren Sie, wie Sie das Modell mit einem TensorFlow-Bereitstellungscontainer für Onlinevorhersagen bereitstellen. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie Dienstfunktionen zum Herunterladen von Daten und zum Vorbereiten von CSV-Dateien für das Erstellen eines verwalteten Vertex AI-Datasets. Daten herunterladen Bereiten Sie CSV-Dateien für das Erstellen verwalteter Datasets vor Erstellen Sie ein Python-Paket für benutzerdefiniertes Training Erstellen Sie einen TensorFlow-Bereitstellungscontainer Führen Sie ein benutzerdefiniertes Python-Pakettraining mit verwaltetem Text-Dataset aus Stellen Sie ein Modell bereit und erstellen Sie einen Endpunkt in Vertex AI Erstellen Sie Vorhersagen auf dem Endpunkt Erstellen Sie einen Batchvorhersagejob für das Modell	Colab Colab Enterprise GitHub Vertex AI Workbench
Tabellarischer Workflow für TabNet	Vertex AI Explanations mit TabNet-Modellen Erfahren Sie, wie Sie ein Beispiel-Darstellungstool zur Visualisierung der Ausgabe von TabNet bereitstellen, was bei der Erklärung des Algorithmus hilfreich ist. Weitere Informationen zum tabellarischen Workflow für TabNet Anleitungsschritte Richten Sie ein Projekt ein. Laden Sie die Vorhersagedaten des vortrainierten Modells für Syn2-Daten herunter. Visualisieren und erfassen Sie die Featurewichtigkeit basierend auf der Maskenausgabe. Bereinigen Sie die in dieser Anleitung erstellte Ressource.	Colab Colab Enterprise GitHub Vertex AI Workbench
BigQuery ML ARML+-Prognosen für tabellarische Daten	BigQuery ML ARIMA_PLUS-Modell mit Vertex AI-Tabular-Workflows trainieren Erfahren Sie, wie Sie das BigQuery ML ARIMA_PLUS-Modell mit einer Vertex AI-Trainingspipeline aus Google Cloud-Pipeline-Komponenten erstellen und dann eine Batchvorhersage mit der entsprechenden Vorhersagepipeline erstellen. Weitere Informationen zu BigQuery ML ARIMA+-Prognosen für tabellarische Daten Anleitungsschritte Trainieren Sie das BigQuery ML ARIMA_PLUS-Modell. Sehen Sie sich die BigQuery ML-Modellbewertung an. Erstellen Sie eine Batchvorhersage mit dem BigQuery ML-Modell.	Colab Colab Enterprise GitHub Vertex AI Workbench
Google Cloud-Pipeline-Komponenten Prophet für tabellarische Daten	Prophet-Modell mit Vertex AI Tabular-Workflows trainieren. Erfahren Sie, wie Sie mithilfe einer Vertex AI-Trainingspipeline aus Google Cloud-Pipeline-Komponenten mehrere Prophet-Modelle erstellen und dann mit der entsprechenden Vorhersage-Pipeline eine Batchvorhersage erstellen. Weitere Informationen zu Google Cloud-Pipeline-Komponenten. Weitere Informationen zu Prophet für tabellarische Daten. Anleitungsschritte 1. Trainieren Sie die Prophet-Modelle. 1. Rufen Sie die Bewertungsmesswerte auf. 1. Erstellen Sie eine Batchvorhersage mit den Prophet-Modellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Tabellarischer Workflow für TabNet	TabNet-Pipeline. Erfahren Sie, wie Sie mit zwei der tabellarischen Workflows von Vertex AI TabNet Klassifizierungsmodelle für tabellarische Daten erstellen. Weitere Informationen zum tabellarischen Workflow für TabNet Anleitungsschritte Erstellen Sie einen TabNet-CustomJob. Diese Option eignet sich am besten, wenn Sie wissen, welche Hyperparameter für das Training verwendet werden sollen. Erstellen Sie einen TabNet-HyperparameterTuningJob. So können Sie die besten Hyperparameter für Ihren Datensatz ermitteln.	Colab Colab Enterprise GitHub Vertex AI Workbench
Tabellarischer Workflow für Wide & Deep	Wide & Deep-Pipeline. Erfahren Sie, wie Sie mit tabellarischen Vertex AI Wide & Deep-Workflows zwei Klassifizierungsmodelle erstellen. Weitere Informationen zum tabellarischen Workflow für Wide & Deep Anleitungsschritte Erstellen Sie einen Wide & Deep-CustomJob. Diese Option eignet sich am besten, wenn Sie wissen, welche Hyperparameter für das Training verwendet werden sollen. Erstellen Sie einen Wide & Deep-HyperparameterTuningJob. So können Sie die besten Hyperparameter für Ihren Datensatz ermitteln.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI TensorBoard Benutzerdefiniertes Training	Benutzerdefiniertes Vertex AI TensorBoard-Training mit benutzerdefiniertem Container Erfahren Sie, wie Sie einen benutzerdefinierten Trainingsjob mithilfe von benutzerdefinierten Containern erstellen und den Trainingsprozess in Vertex AI TensorBoard nahezu in Echtzeit überwachen. Weitere Informationen zu Vertex AI TensorBoard Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie ein Docker-Repository und eine Docker-Konfiguration. Erstellen Sie ein benutzerdefiniertes Container-Image mit Ihrem benutzerdefinierten Trainingscode. Richten Sie ein Dienstkonto und Google Cloud Storage-Buckets ein. Erstellen und starten Sie Ihren benutzerdefinierten Trainingsjob mit dem benutzerdefinierten Container.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI TensorBoard Benutzerdefiniertes Training	Benutzerdefiniertes Vertex AI TensorBoard-Training mit vordefiniertem Container. Erfahren Sie, wie Sie einen benutzerdefinierten Trainingsjob mithilfe von vordefinierten Containern erstellen und Ihren Trainingsprozess in Vertex AI TensorBoard nahezu in Echtzeit überwachen. Weitere Informationen zu Vertex AI TensorBoard Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Richten Sie ein Dienstkonto und Google Cloud Storage-Buckets ein. Schreiben Sie Ihren benutzerdefinierten Trainingscode. Verpacken Sie Ihren Trainingscode und laden Sie ihn in Cloud Storage hoch. Erstellen und starten Sie Ihren benutzerdefinierten Trainingsjob mit aktiviertem Vertex AI TensorBoard für Monitoring nahezu in Echtzeit.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI TensorBoard	Vertex AI TensorBoard-Hyperparameter-Abstimmung mit dem HParams-Dashboard. In diesem Notebook trainieren Sie ein Modell und führen mit TensorFlow eine Hyperparameter-Abstimmung durch. Anleitungsschritte Passen Sie TensorFlow-Ausführungen für das Logging von Hyperparametern und Messwerten an. Starten Sie Ausführungen und protokollieren Sie alle in einem übergeordneten Verzeichnis. Visualisieren Sie die Ergebnisse im HParams-Dashboard von Vertex AI TensorBoard.	Colab Colab Enterprise GitHub Vertex AI Workbench
Profiler Vertex AI TensorBoard	Leistung des Modelltrainings mit Profiler profilieren Erfahren Sie, wie Sie Profiler für benutzerdefinierte Trainingsjobs aktivieren. Profiler Weitere Informationen zu Vertex AI TensorBoard Anleitungsschritte Erstellen Sie ein Dienstkonto und einen Cloud Storage-Bucket Vertex AI TensorBoard-Instanz erstellen Erstellen Sie einen benutzerdefinierten Trainingsjob, der den Profiler aktiviert, und führen Sie ihn aus. Profiler-Dashboard aufrufen, um Fehler in der Modelltrainingsleistung zu beheben	Colab Colab Enterprise GitHub Vertex AI Workbench
Profiler Vertex AI TensorBoard	Leistung des Modelltrainings mit Cloud Profiler im benutzerdefinierten Training mit vordefiniertem Container profilieren. Informationen zum Aktivieren des Profilers in Vertex AI für benutzerdefinierte Trainingsjobs mit einem vordefinierten Container. Profiler Weitere Informationen zu Vertex AI TensorBoard Anleitungsschritte Bereiten Sie Ihren benutzerdefinierten Trainingscode vor und laden Sie Ihren Trainingscode als ein Python-Paket in einen vordefinierten Container Erstellen Sie einen benutzerdefinierten Trainingsjob, der den Profiler aktiviert, und führen Sie ihn aus. Profiler-Dashboard aufrufen, um Fehler in der Modelltrainingsleistung zu beheben	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI TensorBoard Vertex AI Pipelines	Einbindung von Vertex AI TensorBoard in Vertex AI Pipelines. Erfahren Sie, wie Sie mit dem KFP SDK eine Trainingspipeline erstellen, die Pipeline in Vertex AI Pipelines ausführen und den Trainingsprozess in Vertex AI TensorBoard nahezu in Echtzeit überwachen. Weitere Informationen zu Vertex AI TensorBoard Weitere Informationen zu Vertex AI Pipelines Anleitungsschritte Richten Sie ein Dienstkonto und Google Cloud Storage-Buckets ein. Erstellen Sie eine KFP-Pipeline mit Ihrem benutzerdefinierten Trainingscode. Kompilieren Sie die KFP-Pipeline in Vertex AI Pipelines und führen Sie sie aus, wobei Vertex AI TensorBoard für das Monitoring nahezu in Echtzeit aktiviert ist.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI-Hyperparameter-Abstimmung	Verteilte Vertex AI-Hyperparameter-Abstimmung.. In diesem Notebook erstellen Sie ein benutzerdefiniert trainiertes Modell aus einem Python-Script in einem Docker-Container. Weitere Informationen zur Vertex AI-Hyperparameter-Abstimmung Anleitungsschritte Führen Sie das Training mit einem Python-Paket durch. Erstellen Sie einen Bericht zur Accuracy bei der Hyperparameter-Abstimmung. Speichern Sie Modellartefakte mit Cloud StorageFuse in Cloud Storage.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training	Erste Schritte mit Vertex AI Training für LightGBM. Informationen zum Trainieren eines benutzerdefinierten LightGBM-Modells mit der Methode für benutzerdefinierte Container für Vertex AI Training. Anleitungsschritte Führen Sie das Training mit einem Python-Paket durch. Speichern Sie Modellartefakte mit Cloud StorageFuse in Cloud Storage. Erstellen Sie einen FastAPI-Vorhersageserver. Erstellen Sie ein Dockerfile-Bereitstellungsimage für den Server. Testen Sie das Bereitstellungsimage lokal (optional und nicht für Colab-Nutzer). Erstellen Sie eine Vertex AI-Modellressource. Führen Sie einen Batchvorhersage-Job aus. Stellen Sie das Modell auf einem Endpunkt bereit und senden Sie Anfragen für die Onlinevorhersage. Bereinigen Sie die erstellten Ressourcen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Distributed Training	Erste Schritte mit Vertex AI Distributed Training. Erfahren Sie, wie Sie verteiltes Vertex AI-Training beim Training mit Vertex AI verwenden. Weitere Informationen zu Vertex AI Distributed Training Anleitungsschritte	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI-Hyperparameter-Abstimmung	Hyperparameter-Abstimmung für ein TensorFlow-Modell ausführen. Erfahren Sie, wie Sie einen Vertex AI Hyperparameter-Abstimmungsjob für ein TensorFlow-Modell ausführen. Weitere Informationen zur Vertex AI-Hyperparameter-Abstimmung Anleitungsschritte Ändern Sie den Trainingsanwendungscode für die automatische Hyperparameter-Abstimmung. Containerisieren Sie den Trainingsanwendungscode. Konfigurieren und starten Sie einen Hyperparameter-Abstimmungsjobs mit dem Vertex AI Python SDK.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI-Hyperparameter-Abstimmung	Vertex AI-Hyperparameter-Abstimmung for XGBoost. Informationen zum Trainieren eines XGBoost-Modells mit dem Vertex AI-Dienst zur Hyperparameter-Abstimmung. Weitere Informationen zur Vertex AI-Hyperparameter-Abstimmung Anleitungsschritte Training mit einem Python-Trainingsanwendungspaket durchführen Erstellen Sie einen Bericht zur Accuracy während der Hyperparameter-Abstimmung. Speichern Sie Modellartefakte mit Cloud StorageFuse in Cloud Storage. Geben Sie das beste Modell an.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training	Paralleles PyTorch-Bildklassifizierungstraining mit verteilten Daten und mehreren Knoten auf CPU mit Vertex AI Training und benutzerdefiniertem Container. Erfahren Sie, wie Sie einen verteilten PyTorch-Trainingsjob mit dem Vertex AI SDK für Python und benutzerdefinierte Container erstellen. Erfahren Sie mehr über Vertex AI Training. Anleitungsschritte Projekt einrichten Google Cloud	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training	PyTorch-Bildklassifizierung mit parallelem Training mit verteilten Daten und mehreren NCCL-Knoten auf CPU und Vertex AI Erfahren Sie, wie Sie einen verteilten PyTorch-Trainingsjob mit dem Vertex AI SDK für Python und benutzerdefinierte Container erstellen. Erfahren Sie mehr über Vertex AI Training. Anleitungsschritte Erstellen Sie einen benutzerdefinierten Container mit Artifact Registry und Docker. Erstellen Sie eine Vertex AI TensorBoard-Instanz zum Speichern Ihres Vertex AI-Tests. Führen Sie einen Vertex AI-Trainingsjob mit dem Vertex AI SDK für Python aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training	PyTorch-Textsentiment-Klassifizierungsmodell in Vertex AI trainieren, abstimmen und bereitstellen Erfahren Sie, wie Sie ein PyTorch-Modell in Vertex AI erstellen, trainieren, abstimmen und bereitstellen. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie ein Trainingspaket für das Textklassifizierungsmodell. Trainieren Sie das Modell mit benutzerdefiniertem Training in Vertex AI. Prüfen Sie die erstellten Modellartefakte. Erstellen Sie einen benutzerdefinierten Container für Vorhersagen. Stellen Sie das trainierte Modell mithilfe des benutzerdefinierten Containers für Vorhersagen in einem Vertex AI-Endpunkt bereit. Senden und validieren Sie Onlinevorhersageanfragen an das bereitgestellte Modell. Bereinigen Sie die Ressourcen, die in diesem Notebook erstellt wurden.	Colab Colab Enterprise GitHub Vertex AI Workbench
PyTorch-Integration in Vertex AI	PyTorch-Modell in Vertex AI mit Daten aus Cloud Storage trainieren. Hier erfahren Sie, wie Sie einen Trainingsjob mit PyTorch und einem in Cloud Storage gespeicherten Dataset erstellen. Weitere Informationen zur PyTorch-Integration in Vertex AI. Anleitungsschritte Schreiben Sie ein benutzerdefiniertes Trainingsscript, das Ihre Trainings- und Test-Datasets erstellt und das Modell trainiert. Führen Sie einen CustomTrainingJob mit dem Vertex AI SDK für Python aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
Verteiltes Training	PyTorch torchrun verwenden, um das Training mit mehreren Knoten und benutzerdefinierten Containern zu vereinfachen Erfahren Sie, wie Sie ein ImageNet-Modell mit Torchrun von PyTorch auf mehreren Knoten trainieren. Erfahren Sie mehr über verteiltes Training. Anleitungsschritte Erstellen Sie ein Shell-Script, um einen ETCD-Cluster auf dem Masterknoten zu starten Erstellen Sie ein Trainingsscript mit Code aus dem GitHub-Repository von PyTorch Elastic Erstellen Sie Container, die die Daten herunterladen, und einen ETCD-Cluster auf dem Host starten Trainieren Sie das Modell mit mehreren Knoten mit GPUs	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training	Verteiltes XGBoost-Training mit Dask. Hier erfahren Sie, wie Sie mithilfe von XGBoost mit Dask einen verteilten Trainingsjob erstellen. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Konfigurieren Sie die Variablen PROJECT_ID und LOCATION für Ihr Google Cloud-Projekt. Erstellen Sie einen Cloud Storage-Bucket zum Speichern Ihrer Modellartefakte. Erstellen Sie einen benutzerdefinierten Docker-Container, der Ihren Trainingscode hostet, und übertragen Sie das Container-Image per Push in Artifact Registry. Führen Sie einen Vertex AI SDK-CustomContainerTrainingJob aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
vector_search	Multimodale Vertex AI-Einbettungen und die Vektorsuche verwenden. Hier erfahren Sie, wie Sie benutzerdefinierte Texteinbettungen codieren, einen Index für den ungefähren nächsten Nachbarn erstellen und Indexe abfragen. Anleitungsschritte Bild-Dataset in Einbettungen konvertieren Index erstellen. Einbettungen in den Index hochladen IndexEndpoint erstellen Index für den Indexendpunkt bereitstellen Onlineabfrage durchführen	Colab Colab Enterprise GitHub Vertex AI Workbench
Vektorsuche in Vertex AI	Vertex AI Vector Search für StackOverflow-Fragen verwenden Hier erfahren Sie, wie Sie benutzerdefinierte Texteinbettungen codieren, einen Index für den ungefähren nächsten Nachbarn erstellen und Indexe abfragen. Weitere Informationen zu Vertex AI Vektorsuche. Anleitungsschritte ANN-Index erstellen Indexendpunkt mit VPC-Netzwerk erstellen ANN-Index bereitstellen Onlineabfrage ausführen	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI-Vektorsuche Vertex AI-Embeddings für Text	Vertex AI Vektorsuche und Vertex AI-Einbettungen für Text für StackOverflow-Fragen verwenden. Hier erfahren Sie, wie Sie Texteinbettungen codieren, einen Index für den ungefähren nächsten Nachbarn erstellen und Indexe abfragen. Weitere Informationen zur Vektorsuche in Vertex AI Weitere Informationen zu Vertex AI Embeddings for Text. Anleitungsschritte BigQuery-Dataset in Einbettungen konvertieren Index erstellen. Einbettungen in den Index hochladen IndexEndpoint erstellen Index für den Indexendpunkt bereitstellen Onlineabfrage durchführen	Colab Colab Enterprise GitHub Vertex AI Workbench
Vektorsuche in Vertex AI	Vertex AI-Vektorsuchindex erstellen Erfahren Sie, wie Sie einen Index zu ungefähren nächsten Nachbarn erstellen, Abfragen für Indexe ausführen und die Leistung des Index prüfen. Weitere Informationen zu Vertex AI Vektorsuche. Anleitungsschritte ANN-Index und Brute-Force-Index erstellen Indexendpunkt mit VPC-Netzwerk erstellen ANN-Index und Brute-Force-Index bereitstellen Onlineabfrage ausführen Recall berechnen	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Vizier	Mehrere Ziele mit Vertex AI Vizier optimieren. Erfahren Sie, wie Sie Vertex AI Vizier verwenden, um eine Studie mit mehreren Zielen zu optimieren. Weitere Informationen zu Vertex AI Vizier. Anleitungsschritte	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Vizier	Erste Schritte mit Vertex AI Vizier. Vertex AI Vizier für das Training mit Vertex AI verwenden Weitere Informationen zu Vertex AI Vizier. Anleitungsschritte Hyperparameter-Feinabstimmung mit Zufallsalgorithmus durchführen. Hyperparameter-Abstimmung mit Vertex AI Vizier-Algorithmus (Bayes) durchführen. Tests vorschlagen und Ergebnisse für die Vertex AI Vizier-Studie aktualisieren	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench Vertex AI Training	Klassifizierungsmodell mit mehreren Klassen für die Anzeigenausrichtung trainieren. Erfahren Sie, wie Sie Daten aus BigQuery erfassen, vorverarbeiten und ein Klassifizierungsmodell mit mehreren Klassen für ein E-Commerce-Dataset trainieren. Weitere Informationen zu Vertex AI Workbench Erfahren Sie mehr über Vertex AI Training. Anleitungsschritte Rufen Sie die erforderlichen Daten aus BigQuery ab Daten vorverarbeiten Trainieren Sie ein TensorFlow-Klassifizierungsmodell (>=2.4) Bewerten Sie den Verlust des trainierten Modells Automatisieren Sie die Notebook-Ausführung mit dem Executor-Feature Speichern Sie das Modell in einem Cloud Storage-Pfad Bereinigen Sie die erstellten Ressourcen	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench Vertex Explainable AI	Taxipreisvorhersage mit dem Dataset Chicago Taxi Trips. Das Ziel dieses Notebooks ist es, eine Übersicht über Vertex AI-Features wie Explainable AI und BigQuery in Notebooks zu bieten, indem versucht wird, ein Problem der Taxipreisvorhersage zu lösen. Weitere Informationen zu Vertex AI Workbench Weitere Informationen zu Vertex Explainable AI. Anleitungsschritte Laden Sie ein Dataset mit "BigQuery in Notebooks". Führen Sie eine explorative Datenanalyse für das Dataset aus. Auswahl und Vorverarbeitung von Merkmalen. Erstellen Sie ein lineares Regressionsmodell mit scikitlearn. Konfigurieren Sie das Modell für Vertex Explainable AI. Stellen Sie das Modell in Vertex AI bereit. Testen Sie das bereitgestellte Modell. bereinigen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench BigQuery ML	Einzelhandelsnachfrage mit Vertex AI und BigQuery ML prognostizieren. Erfahren Sie, wie Sie ein ARIMA-Modell (Autoregressive Integrated Moving Average) aus BigQuery ML anhand von Einzelhandelsdaten erstellen. Weitere Informationen zu Vertex AI Workbench Weitere Informationen zu BigQuery ML Anleitungsschritte Daten analysieren Modellieren Sie mit BigQuery und dem ARIMA-Modell Modell bewerten Bewerten Sie die Modellergebnisse mithilfe von BigQuery ML (für Trainingsdaten) Bewerten Sie die Modellergebnisse MAE, MAPE, MSE, RMSE (für Testdaten) Verwenden Sie das Executor-Feature	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench BigQuery ML	Interaktive explorative Analyse von BigQuery-Daten in einem Notebook. Lernen Sie verschiedene Möglichkeiten kennen, um BigQuery-Daten in einer Jupyter-Notebook-Umgebung zu untersuchen und daraus Informationen zu gewinnen. Weitere Informationen zu Vertex AI Workbench Weitere Informationen zu BigQuery ML Anleitungsschritte Verwenden Sie Python und SQL, um öffentliche Daten in BigQuery abzufragen Werten Sie das Dataset mithilfe von BigQuery INFORMATION_SCHEMA aus Erstellen Sie interaktive Elemente, um interessante Teile der Daten besser zu untersuchen Führen Sie einige explorative Korrelationen und Zeitachsenanalysen durch Erstellen Sie statische und interaktive Ausgaben (Datentabellen und -abbildungen) im Notebook Speichern Sie einige Ausgaben in Cloud Storage	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench Benutzerdefiniertes Training	Betrugserkennungsmodell in Vertex AI erstellen. In dieser Anleitung wird die Datenanalyse und die Modellerstellung mit einem synthetischen Finanz-Dataset veranschaulicht. Weitere Informationen zu Vertex AI Workbench Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Installieren Sie erforderliche Bibliotheken Lesen Sie das Dataset aus einem Cloud Storage-Bucket Führen Sie explorative Analysen des Datasets aus Vorverarbeiten Sie das Dataset Trainieren Sie ein Random Forest-Modell mithilfe von scikitlearn Speichern Sie das Modell in einem Cloud Storage-Bucket Erstellen Sie eine Vertex AI-Modellressource und stellen Sie sie auf einem Endpunkt bereit Führen Sie das What-If-Tool für Testdaten aus Heben Sie die Modellbereitstellung auf und bereinigen Sie die Modellressourcen	Colab GitHub Vertex AI Workbench
Vertex AI Workbench BigQuery ML	Churn-Vorhersage für Spieleentwickler unter Verwendung von Google Analytics 4 und BigQuery ML. Erfahren Sie, wie Sie ein Neigungsmodell in BigQuery ML trainieren und bewerten. Weitere Informationen zu Vertex AI Workbench Weitere Informationen zu BigQuery ML Anleitungsschritte Sehen Sie sich die aus Google Analytics 4 exportierten Daten in BigQuery an. Bereiten Sie die Trainingsdaten mithilfe von demografischen Informationen, Verhaltensdaten und Labels (Abwanderung/Nichtabwanderung) vor. Trainieren Sie mithilfe von BigQuery ML ein XGBoost-Modell. Bewerten Sie das Modell mithilfe von BigQuery ML. Mit BigQuery ML können Sie vorhersagen, welche Nutzer wahrscheinlich abwandern werden.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench Vertex AI Training	Vorausschauende Wartung mit Vertex AI. Workflows zum Trainieren automatisieren und ein Modell mit der Executor-Funktion von Vertex AI Workbench bereitstellen. Weitere Informationen zu Vertex AI Workbench Erfahren Sie mehr über Vertex AI Training. Anleitungsschritte Laden Sie das erforderliche Dataset aus einem Cloud Storage-Bucket. Im Dataset vorhandene Felder analysieren. Wählen Sie die erforderlichen Daten für das Modell zur vorausschauenden Instandhaltung aus. Trainieren Sie ein XGBoost-Regressionsmodells zur Vorhersage der verbleibenden nützlichen Lebensdauer. Bewerten Sie das Modell. Leiten Sie eine End-to-End-Ausführung des Notebooks als Trainingsjob mit Executor ein. Stellen Sie das Modell in Vertex AI bereit. bereinigen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench BigQuery ML	Analyse der Preisoptimierung für CDM-Preisdaten. Das Ziel dieses Notebooks ist es, mithilfe von BigQuery ML ein Preisoptimierungsmodell zu erstellen. Weitere Informationen zu Vertex AI Workbench Weitere Informationen zu BigQuery ML Anleitungsschritte Laden Sie das erforderliche Dataset aus einem Cloud Storage-Bucket. Analysieren Sie die im Dataset vorhandenen Felder. Verarbeiten Sie die Daten, um ein Modell zu erstellen. Erstellen Sie ein BigQuery ML-Prognosemodell anhand der verarbeiteten Daten. Rufen Sie prognostizierte Werte aus dem BigQuery ML-Modell ab. Interpretieren Sie die Prognosen, um die besten Preise zu ermitteln. bereinigen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench Sentimentanalyse für Textdaten	Sentimentanalyse mit AutoML Natural Language und Vertex AI. Erfahren Sie, wie Sie ein AutoML-Sentimentanalysemodell trainieren und bereitstellen und Vorhersagen treffen. Weitere Informationen zu Vertex AI Workbench Weitere Informationen zur Sentimentanalyse für Textdaten Anleitungsschritte Laden Sie die erforderlichen Daten. Vorverarbeiten Sie die Daten. Wählen Sie die erforderlichen Daten für das Modell aus. Laden Sie das Dataset in von Vertex AI verwaltete Datasets. Trainieren Sie ein Sentimentmodell mithilfe von AutoML Text-Training. Bewerten Sie das Modell. Stellen Sie das Modell in Vertex AI bereit. Rufen Sie Vorhersagen ab. bereinigen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench Dataproc Serverless für Spark	Daten aus BigQuery mit Dataproc auswerten und analysieren. In dieser Notebook-Anleitung wird ein Apache Spark-Job ausgeführt, der Daten aus dem BigQuery-Dataset GitHub-Aktivitätsdaten abruft, die Daten abfragt und die Ergebnisse anschließend wieder in BigQuery schreibt. Weitere Informationen zu Vertex AI Workbench Weitere Informationen zu Dataproc Serverless für Spark. Anleitungsschritte Richten Sie ein Google Cloud-Projekt und einen Dataproc-Cluster ein. Konfigurieren Sie den sparkbigqueryconnector. Nehmen Sie Daten aus BigQuery in einen Spark-DataFrame auf. Vorverarbeiten Sie die aufgenommenen Daten. Fragen Sie die am häufigsten verwendete Programmiersprache in Monoglot-Repositories ab. Fragen Sie die durchschnittliche Größe (MB) von Code in jeder Sprache ab, die in Monolot-Repositories gespeichert ist. Fragen Sie die Sprachendateien ab, die am häufigsten in Polyglot-Repositories zusammen gefunden werden. Schreiben Sie die Abfrageergebnisse wieder in BigQuery. Löschen Sie die Ressourcen, die für diese Notebook-Anleitung erstellt wurden.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Workbench Dataproc	SparkML mit Dataproc und BigQuery. In dieser Anleitung wird ein Apache SparkML-Job ausgeführt, der Daten aus dem BigQuery-Dataset abruft, eine explorative Datenanalyse durchführt, die Daten bereinigt, das Feature Engineering ausführt, das Modell trainiert, das Modell bewertet, das Ergebnis ausgibt und das Modell in einem Cloud Storage-Bucket speichert. Weitere Informationen zu Vertex AI Workbench Weitere Informationen zu Dataproc Anleitungsschritte Richten Sie ein Google Cloud-Projekt und einen Dataproc-Cluster ein. Erstellen Sie einen Cloud Storage-Bucket und ein BigQuery-Dataset. Konfigurieren Sie den sparkbigqueryconnector. Nehmen Sie BigQuery-Daten in einen Spark-DataFrame auf. Führen Sie die explorative Datenanalyse (EDA) aus. Visualisieren Sie die Daten mit Beispielen. Bereinigen Sie die Daten. Wählen Sie Features aus. Trainieren Sie das Modell. Geben Sie Ergebnisse aus. Speichern Sie das Modell in einem Cloud Storage-Bucket. Löschen Sie die für die Anleitung erstellten Ressourcen.	Colab Colab Enterprise GitHub Vertex AI Workbench