Введение
С навыками, связанными с инженером по машинному обучению, если мы ищем первоклассные сертификаты на рынке, то есть одно имя, которое приходит всем на ум, а именно сертификация Google Cloud Professional Machine Learning Engineer Certification. Давайте рассмотрим эту сертификацию и то, как мы можем подготовиться к ней.
Цели обучения
- Кто такой инженер по машинному обучению?
- Типичный конвейер машинного обучения
- Почему Google Cloud Platform?
- Конвейер машинного обучения в GCP
- О сертификации машинного обучения Google
- Руководство по экзамену
- Путь обучения
- Дополнительные ресурсы
Кто такой инженер по машинному обучению?
Профессиональный инженер по машинному обучению отвечает за проектирование, создание и производство моделей машинного обучения для решения бизнес-задач. Инженеры по машинному обучению умеют:
- Выбор и построение моделей
- Интеграция с конвейерами данных
- Построение пайплайнов моделей
- Версии моделей
- Развертывание моделей
- Масштабирование и обеспечение соблюдения SLA, связанных с задержкой, пропускной способностью и т. д.
- Мониторинг различных показателей производительности модели, например. QPS (количество запросов в секунду), задержка и т. д.
- Знаком с разработкой приложений, управлением инфраструктурой, проектированием данных и безопасностью
Типичный конвейер машинного обучения
Этот типичный конвейер представляет собой итеративный подход, который включает следующие этапы:
- Сбор данных. На этом этапе мы обычно собираем данные из различных источников.
- Предварительная подготовка данных. Поскольку мы собираем данные из различных источников, необходимо подготовить данные перед их отправкой в модели машинного обучения. На этом этапе мы обычно удаляем нулевые значения и делаем данные пригодными для машинного обучения.
- Выберите модели машинного обучения. Поскольку у нас много моделей машинного обучения, необходимо выбрать лучшие модели машинного обучения на основе данных.
- Обучение модели машинного обучения. После выбора модели необходимо ее обучить.
- Оценка модели машинного обучения. После обучения модели машинного обучения необходимо оценить модель для расчета точности модели.
- Настройка модели. Если показатели не на должном уровне, необходимо настроить модель.
- Развертывание модели. Как только вы будете удовлетворены показателями модели, мы, наконец, сможем развернуть модели.
- Прогнозирование модели: после развертывания модели в наборе данных теперь мы можем прогнозировать желаемые результаты.
- Мониторинг модели. После того, как прогноз сделан, необходимо отслеживать модель.
- Обслуживание моделей. Если вы не получаете желаемых результатов, обновите свои модели или поддерживайте их.
Почему Google Cloud Platform?
Google — лидер в области облачных технологий и машинного обучения. Он предоставляет набор инструментов/технологий, которые значительно облегчают нашу работу. Поскольку разработка точно настроенной модели машинного обучения является такой сложной задачей. Давайте посмотрим на набор инструментов, доступных в Google Cloud AI Stack:
Источник: Google
Конвейер машинного обучения в GCP
При работе с машинным обучением одной из самых больших проблем является интеграция набора инструментов и технологий. Эту проблему можно решить, разработав модели машинного обучения в облаке.
Облако предоставляет набор технологий и инструментов. Мы можем легко интегрировать их вместе для моделей машинного обучения. Давайте посмотрим, как мы можем разработать конвейер машинного обучения на Google Cloud Platform.
О сертификации машинного обучения Google
Сертификация Google Cloud Professional Machine Learning — одна из самых сложных сертификаций на рынке. Сертификация Google в области машинного обучения — это действительно важно. Google — лидер в области машинного обучения и искусственного интеллекта.
- Эта сертификация длится 2 часа для ответа на 60 вопросов.
- Вопросы в рамках этого экзамена имеют уникальный сценарий
- Регистрационный взнос для этой сертификации составляет 200 долларов США.
- Он доступен на двух языках: английском и японском.
- Все вопросы с множественным выбором и множественным выбором принимаются удаленно или лично в тестовом центре.
- Экзамен можно сдавать в двух режимах:
Сдать онлайн-экзамен под наблюдением из удаленного места, ознакомиться с требованиями онлайн-тестирования
Сдать экзамен под наблюдением на месте в центре тестирования, Найти тест центр рядом с вами. - Зарегистрируйтесь на экзамен по адресу: https://webassessor.com/googlecloud
Руководство по экзамену
Вот список тем, включенных в экзамен:
Обозначение проблем машинного обучения
- Преобразование бизнес-задач в варианты использования ML. Соображения
- Определение проблем машинного обучения
- Определение критериев успеха бизнеса
- Выявление рисков для осуществимости решений ML
Архитектура решений машинного обучения
- Разработка надежных, масштабируемых и высокодоступных решений машинного обучения
- Выбор подходящих аппаратных компонентов Google Cloud
- Разработка архитектуры, отвечающей требованиям безопасности в разных секторах/отраслях.
Проектирование систем подготовки и обработки данных
- Изучение данных (EDA)
- Построение конвейеров данных
- Создание входных функций (инженерия функций)
Разработка моделей машинного обучения
- Строительные модели
- Учебные модели
- Тестирование моделей
- Обучение и обслуживание модели масштабирования
Автоматизация и организация конвейеров машинного обучения
- Разработка и внедрение обучающих пайплайнов
- Внедрение конвейеров обслуживания
- Отслеживание и аудит метаданных
Мониторинг, оптимизация и обслуживание решений машинного обучения
- Мониторинг и устранение неполадок решений ML
- Настройка производительности решений машинного обучения для обучения и обслуживания в производственной среде
Путь обучения
Вот схема обучения для подготовки к этой сертификации:
- Основы больших данных и машинного обучения. Этот курс поможет вам начать работу с большими данными Google Cloud и продуктами машинного обучения, такими как BigQuery, Cloud SQL, Dataproc и другими. В этом вводном курсе вы узнаете, как наилучшим образом обрабатывать данные и создавать модели машинного обучения для своих нужд.
- Основные задачи по данным, машинному обучению и ИИ в Google Cloud: это значок навыка, который используется для проверки знаний. Он охватывает инструменты GCP, такие как BigQuery, Cloud Speech API и AI Platform.
- Машинное обучение в Google Cloud Platform. В этом курсе вы будете экспериментировать со сквозным машинным обучением в Google Cloud, начиная с построения стратегии, ориентированной на машинное обучение, и заканчивая обучением модели, оптимизацией. и производство
- Автоматизация взаимодействия с ИИ в Центре управления: это значок навыка, который говорит о том, что взаимодействие с ИИ в контакт-центре должно быть разговорным и похожим на человека. Это также поможет вам научиться создавать виртуального агента, проектировать диалоговые потоки для вашего виртуального агента и добавлять телефонный шлюз к виртуальному агенту.
- Усовершенствованное машинное обучение с Tensorflow на платформе Google Cloud: это курс, который научит вас создавать масштабируемые, точные и готовые к работе модели для структурированных данных, данных изображений, временных рядов и текст на естественном языке, а заканчивается построением рекомендательных систем
- Изучение моделей машинного обучения с помощью объяснимого ИИ: это значок навыка, позволяющий получить практическую практику с объяснимым ИИ — набором инструментов и платформ, которые помогут вам разрабатывать интерпретируемые и инклюзивные модели машинного обучения и развертывать их. с уверенностью
- Основы MLOps: это курс, в котором рассказывается об инструментах MLOps и передовых методах развертывания, оценки, мониторинга и эксплуатации производственных систем машинного обучения в Google Cloud.
- ML Pipelines on Google Cloud: это курс, который поможет вам понять, как реализовать конвейеры ML с помощью непрерывного обучения и практики CI/CD, чтобы повысить скорость разработки и развертывания вашего рабочего процесса ML, автоматизацию и возможность масштабирования с вашими данными в Google Cloud
Дополнительные ресурсы
Рекомендуемые курсы:
Этот курс поможет вам освоить базовые знания о машинном обучении и подготовит вас к прохождению дополнительных курсов для прохождения сертификации машинного обучения Google.
Отсканировать для регистрации:
Ускоренный курс по машинному обучению от Google: https://developers.google.com/machine-learning/crash-course
Для понимания различных терминов и понятий, связанных с машинным обучением и рекомендациями:
- Глоссарий машинного обучения:https://developers.google.com/machine-learning/glossary
- Введение в формулирование задач машинного обучения:https://developers.google.com/machine-learning/problem-framing/framing?authuser=0
- Справедливость — типы предвзятости: https://developers.google.com/machine-learning/crash-course/fairness/types-of-bias
- Технический долг в ML: https://papers.nips.cc/paper/2015/file/86df7dcfd896fcaf2674f757a2463eba-Paper.pdf
- Рекомендации по машинному обучению: https://cloud.google.com/architecture/best-practices-for-ml-performance-cost
- Правила машинного обучения: https://developers.google.com/machine-learning/guides/rules-of-ml
- Понимание прогнозирования в реальном времени с помощью ML:https://cloud.google.com/architecture/minimizing-predictive-serving-latency-in-machine-learning
Различные ресурсы по ИИ:
- Продукты AI/ML: https://cloud.google.com/products/ai
- Искусственный интеллект Google: https://ai.google/education/
- Tensorflow на GCP:https://www.tensorflow.org/tfx/tutorials/tfx/cloud-ai-platform-pipelines
Различные репозитории Github:
- Kubeflow
https://github.com/kubeflow/kubeflow
https://github.com/kubeflow/katib - Код PAIR
https://github.com/pair-code/what-if-tool - Tensorflow
https://github.com/tensorflow/fairness-indicators
Сбор набора данных для машинного обучения:
- Конфиденциальные наборы данных и наборы данных машинного обучения:https://cloud.google.com/architecture/sensitive-data-and-ml-datasets
- Используйте поиск наборов данных Google для поиска различных наборов данных:https://datasetsearch.research.google.com/
Операции машинного обучения:
- Конвейеры MLOps: https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning
- Архитектура для MLOps с использованием Tensorflow: https://cloud.google.com/architecture/architecture-for-mlops-using-tfx-kubeflow-pipelines-and-cloud-build
Познакомьтесь с Google Colaboratory:https://colab.research.google.com/notebooks/intro.ipynb#scrollTo=P-H6Lw1vyNNd
Другие ресурсы:
- Руководство по искусственному интеллекту для руководителей (McKinsey & Company)
- Ускоренный курс машинного обучения (Google) — все 7 модулей, от Ускоренного курса до GAN.
- Классификация текста (Google)
- Хороший анализ данных (Google)
- Принципы искусственного интеллекта (Google)
- Ответственное использование ИИ (Google)
- CS231n: сверточные нейронные сети для примечаний к курсу визуального распознавания (Стэнфорд)
Вывод
Сертификация Google Cloud Professional Machine Learning — один из самых сложных экзаменов на рынке. Сдав этот экзамен, вы, несомненно, откроете новые возможности в своей карьере. Эта сертификация не только проверяет знания участников, но и проверяет практическое применение различных инструментов на Google Cloud Platform. GCP является лидером в области искусственного интеллекта и машинного обучения, и получение сертификата от Google — это лучшее, что вы можете получить в своей карьере.
𝐒𝐭𝐚𝐲 𝐜𝐨𝐧𝐧𝐞𝐜𝐭𝐞𝐝 𝐰𝐢𝐭𝐡 𝐮𝐬!
Подпишитесь на наш YouTubeканал, чтобы получать больше такого информативного Контента!
Следуйте за нами на: 𝐅𝐚𝐜𝐞𝐛𝐨𝐨𝐤, 𝐓𝐰𝐢𝐭𝐭𝐞𝐫, 𝐋𝐢𝐧𝐤𝐞𝐝𝐈𝐧, 𝐈𝐧𝐬𝐭𝐚𝐠𝐫𝐚𝐦, 𝐈𝐧𝐬𝐭𝐚𝐠𝐫𝐚𝐦, 𝐈𝐧𝐬𝐭𝐚𝐠𝐫𝐚𝐦
Присоединяйтесь к нашему мощному сообществу из 3400+ участников meetup, где мы регулярно делимся своими знаниями о данных, машинном обучении, искусственном интеллекте и многих других технологиях.
Наслаждайтесь обучением!