Vertex AI es una plataforma de aprendizaje automático (ML) y aprendizaje profundo (DL) desarrollada por Google Cloud. Se diseñó para simplificar y acelerar el desarrollo, la implementación y la administración de modelos de aprendizaje automático en la nube.
DevAcademy propone una formación diseñada por y para desarrolladores de software que desean adquirir conocimientos y habilidades en el uso de Vertex AI, plataforma que ofrece herramientas y servicios que permiten a los desarrolladores construir, entrenar y desplegar modelos de aprendizaje automático de manera eficiente y escalable en la nube. Durante este curso, los participantes aprenderán los fundamentos de Vertex AI y cómo utilizarlo para desarrollar aplicaciones basadas en aprendizaje automático.
Objetivos:
- Comprender los conceptos clave de aprendizaje automático y cómo se aplican en Vertex AI.
- Utilizar las herramientas y servicios de Vertex AI para entrenar modelos de aprendizaje automático.
- Implementar modelos de aprendizaje automático en aplicaciones y servicios.
- Realizar evaluaciones y pruebas de modelos de aprendizaje automático en Vertex AI.
- Desplegar aplicaciones basadas en aprendizaje automático en Google Cloud.
Temario
- Introducción a Vertex AI y sus ventajas:
- Qué es Vertex AI y por qué es relevante para el desarrollo de software.
- Beneficios de utilizar Vertex AI en proyectos de aprendizaje automático.
- Conceptos clave de aprendizaje automático:
- Fundamentos del aprendizaje automático, incluyendo algoritmos de clasificación y regresión.
- Tipos de problemas que se pueden resolver con aprendizaje automático.
- Arquitectura de Vertex AI:
- Visión general de la arquitectura de Vertex AI.
- Componentes principales de la plataforma, como Vertex Training, Vertex Prediction y Vertex Pipelines.
- Preprocesamiento de datos para el aprendizaje automático:
- Limpieza y transformación de datos.
- Tratamiento de valores nulos y datos categóricos.
- Entrenamiento de modelos con Vertex AI:
- Selección de algoritmos de aprendizaje automático adecuados.
- Configuración de entornos de entrenamiento en Vertex AI.
- Entrenamiento de modelos utilizando datos de entrenamiento.
- Evaluación y mejora de modelos de aprendizaje automático:
- Métodos de evaluación de modelos, como métricas de precisión, recall y F1-score.
- Técnicas de ajuste de hiperparámetros para mejorar el rendimiento del modelo.
- Optimización de modelos para evitar sobreajuste y subajuste.
- Creación de servicios de predicción en Vertex AI:
- Configuración de endpoints para modelos entrenados.
- Uso de Vertex Prediction para realizar predicciones en tiempo real.
- Integración de modelos en aplicaciones web y móviles:
- Integración de modelos de Vertex AI en aplicaciones utilizando SDK y API.
- Ejemplos de implementación de modelos en aplicaciones prácticas.
- Uso de API de Vertex AI para realizar inferencias:
- Cómo utilizar la API de Vertex AI para realizar consultas y obtener resultados de modelos.
- Monitorización de modelos en producción:
- Establecimiento de métricas de rendimiento y alertas.
- Monitoreo de cambios en la distribución de datos.
- Optimización y ajuste de modelos en tiempo real:
- Implementación de técnicas de reentrenamiento automático.
- Ajuste continuo de modelos en función de la carga y los datos entrantes.
- Resolución de problemas y actualización de modelos:
- Identificación y solución de problemas comunes en modelos en producción.
- Proceso de actualización y despliegue de modelos mejorados.
- Despliegue de aplicaciones basadas en aprendizaje automático en Google Cloud:
- Uso de Google Kubernetes Engine (GKE) y otros servicios para desplegar aplicaciones.
- Integración de servicios de Google Cloud en aplicaciones basadas en Vertex AI.
- Escalabilidad y rendimiento en la nube:
- Estrategias de escalabilidad para garantizar el rendimiento óptimo.
- Optimización de recursos para controlar costos.
- Mejores prácticas en la gestión de recursos en la nube:
- Administración de recursos en la nube de manera eficiente y segura.
- Uso de políticas de acceso y control de costos.
Responsabilidades profesor
Presentar el contenido conforme lo presentado en el programa de formación
Proyecto en Github para clonar
Dar acceso al material necesario (PDFs, ejercicios, software, etcs) para el curso contratado.
Proveer de local para impartir la formación
Responsabilidades alumno
Participar en la formación en el periodo determinado, trayendo un notebook con los requisitos mínimos necesarios para la participación en la formación, siendo estos los siguientes:
Mínimo de 4GB de memoria RAM
Mínimo de 10GB de espacio en disco (HD).
Habilitada la virtualización tanto en software como hardware
Poseer privilegios de administración
Observaciones importantes
Confirmaciones
Las confirmaciones serán enviadas a la dirección de e-mail enviada por el alumno
Cancelaciones
Los plazos para el cancelamiento de inscripciones solicitadas, son de 5 días laborales antes del inicio del curso.
En caso de cancelamiento fuera de plazo por parte del alumno, DevAcademy se reserva el derecho a cobrar un porcentaje (20%) del valor del curso.
DevAcademy se reserva el derecho de cancelar o posponer la formación, siempre y cuando avise al contratante y/o devuelva el importe íntegro en caso de cancelación
Obligaciones del alumno
Es obligatorio que el alumno cumpla con todos las obligaciones recomendadas por el profesor para seguir todos los ejercicios y no demorar ni perjudicar la clase. Es posible que días antes se envie un email como recordatorio al alumno con instrucciones a seguir u obligaciones desarrollar para poder estar preparado al comienzo de la clase.
