La comunidad Google Developer Group Cloud Santiago de Chile ofrece contenido gratuito semanal para ayudar a prepararse para las certificaciones de GCP. El documento incluye consejos sobre la ruta de aprendizaje para la certificación de Professional Machine Learning Engineer de Google, con temas como la identificación de problemas, arquitectura de soluciones, preparación de datos, desarrollo de modelos, automatización de flujos y supervisión de soluciones de ML. También incluye enlaces a recursos de Google Cloud.
Proyecto integrador. Las TIC en la sociedad S4.pptx
GDG Cloud Santiago Chile Tips Certificacion GCP Professional Machine Learning Engineer
1. Certificaciones GCP
Tips para la certificación
Professional Machine Learning Engineer
Comunidad Google Developer Group Cloud Santiago de Chile
2. Somos Google Developer Group Cloud Santiago de Chile.
Generamos comunidad, colaboración y contenido Cloud en Español todas las Semanas de forma totalmente gratuita para apoyarles en la
preparación para las certificaciones de GCP.
Apóyanos desde 3 dólares en Patreon: https://www.patreon.com/gdgcloudsantiago
Suscríbete a nuestro canal en Youtube: https://www.youtube.com/gdgcloudsantiago
Regístrate en GDG Community para no perderte ninguno de nuestros eventos: https://gdg.community.dev/gdg-cloud-santiago-de-chile
Comunidad GDG Cloud Santiago de Chile
9. 1. Identificación de problemas con ML
1.1 Traducir el desafío empresarial en un
caso de uso de ML
1.2 Definir el problema de ML
1.3 Definir criterios del éxito empresarial
1.4 Identificar los riesgos para la viabilidad
y la implementación de la solución de ML
Material
Google ML Problem
Framing
10. 2. Arquitectura de la solución
2.1 Diseñar soluciones de AA confiables,
escalables y con alta disponibilidad.
2.2 Elegir los componentes de software de
Google Cloud adecuados
2.3 Elegir los componentes adecuados de
hardware de Google Cloud
Material
Cloud Architecture
with Google Cloud
Professional
Certificate
11. 3. Preparación y procesamiento de datos
3.1 Transferencia de datos
3.2 Exploración de datos (EDA
3.3 Diseñar flujos de datos
3.4 Crear flujos de datos
3.5 Ingeniería de atributos
Tips:
Dataflow
Bigquery
Datafusion
Dataproc
TF Datasets
TF Records
Desbalanceo de datos
12. 4. Desarrollo del modelo de ML
4.1 Construir un modelo
4.2 Entrenamiento de un modelo
4.3 Probar un modelo
4.4 Escalar la entrega y el entrenamiento
de modelos
Tips:
Regularización
Sobreajuste
Métricas de evaluación
GPU/TPU
Explainable AI
APIS
AUTOML
Bigquery ML
ML Crash Course
13. 5. Automatización y organización de flujos
de ML
5.1 Diseñar el flujo
5.2 Implementar el flujo de entrenamiento
5.3 Implementar el flujo de inferencia
5.4 Realizar seguimiento y auditoría de
metadatos
5.5 Utilizar CI/CD para implementar y
probar modelos
Tips:
MLOPS
Fundamentals
14. 6. Supervisión, optimización y
mantenimiento de las soluciones de ML
6.1 Supervisar las soluciones de ML
6.2 Solucionar problemas de ML
6.3 Ajustar el rendimiento de las
soluciones de ML para el entrenamiento y
puesta en producción
Tips:
MLOPS
Fundamentals