Tutoriales de cuadernos de Vertex AI

Pasos del tutorial

• Crea una tarea de entrenamiento de modelos de Vertex AI.
• Entrena un modelo tabular de AutoML.
• Despliega el recurso de modelo en un recurso de endpoint de servicio.
• Hacer una predicción enviando datos.
• Anula el despliegue del recurso de modelo.

Pasos del tutorial

• Crea un recurso de conjunto de datos de Vertex.
• Entrena el modelo.
• Consulta la evaluación del modelo.
• Hacer una predicción por lotes.

Pasos del tutorial

• Crea un recurso de Vertex Dataset.
• Entrena el modelo.
• Consulta la evaluación del modelo.
• Implementa el recurso Model en un recurso Endpoint de publicación.
• Haz una predicción.
• Anula el despliegue de Model.

Pasos del tutorial

• Crea un recurso de conjunto de datos de Vertex.
• Entrena el modelo.
• Exporta el modelo perimetral del recurso de modelo a Cloud Storage.
• Descarga el modelo de forma local.
• Hacer una predicción local.

Pasos del tutorial

• Crea un recurso de conjunto de datos de Vertex AI.
• Entrena el modelo.
• Consulta la evaluación del modelo.
• Despliega el recurso de modelo en un recurso de endpoint de servicio.
• Haz una predicción.
• Anula el despliegue del modelo.

Pasos del tutorial

• Crea un flujo de procesamiento de entrenamiento que reduzca el espacio de búsqueda del valor predeterminado para ahorrar tiempo.
• Crea un flujo de procesamiento de entrenamiento que reutilice los resultados de la búsqueda de arquitectura del flujo de procesamiento anterior para ahorrar tiempo.

Pasos del tutorial

• Entrenar un modelo de imagen
• Exportar el modelo de imagen como modelo de Edge
• Entrenar un modelo tabular
• Exportar el modelo tabular como modelo en la nube
• Entrenar un modelo de texto
• Entrenar un modelo de vídeo

Pasos del tutorial

• Crea un recurso TimeSeriesDataset de Vertex AI.
• Entrena el modelo.
• Consulta la evaluación del modelo.
• Hacer una predicción por lotes.

Pasos del tutorial

• Crea un recurso de conjunto de datos de Vertex.
• Entrena el modelo.
• Consulta la evaluación del modelo.
• Hacer una predicción por lotes.

Pasos del tutorial

• Crea un recurso de conjunto de datos de Vertex AI.
• Entrena un recurso de modelo de previsión tabular de AutoML.
• Obtiene las métricas de evaluación del recurso de modelo.
• Hacer una predicción por lotes.

Pasos del tutorial

• Crea un recurso de conjunto de datos de Vertex AI.
• Entrena un recurso de modelo de regresión tabular de AutoML.
• Obtiene las métricas de evaluación del recurso de modelo.
• Hacer una predicción por lotes.

Pasos del tutorial

• Crea un recurso de conjunto de datos de Vertex.
• Entrena el modelo.
• Consulta la evaluación del modelo.
• Despliega el recurso de modelo en un recurso de Endpoint de servicio.
• Haz una predicción.
• Anula el despliegue del modelo.

Pasos del tutorial

• Crea un recurso de conjunto de datos de Vertex AI.
• Entrena el modelo.
• Consulta la evaluación del modelo.
• Hacer una predicción por lotes.

Pasos del tutorial

• Crea un recurso de conjunto de datos de Vertex.
• Entrena el modelo.
• Consulta la evaluación del modelo.
• Hacer una predicción por lotes.

Pasos del tutorial

• Crea un recurso de conjunto de datos de Vertex.
• Entrena el modelo.
• Consulta la evaluación del modelo.
• Hacer una predicción por lotes.

Pasos del tutorial

• Crear una tabla de BigQuery local en tu proyecto
• Entrenar un modelo de BigQuery ML
• Evaluar el modelo de BigQuery ML
• Exportar el modelo de BigQuery ML como modelo en la nube
• Subir el modelo exportado como recurso de modelo de Vertex AI
• Ajustar los hiperparámetros de un modelo de BigQuery ML con Vertex AI Vizier
• Registrar automáticamente un modelo de BigQuery ML en Vertex AI Model Registry

Pasos del tutorial

• Entrena un modelo que use las medidas de las flores como entrada para predecir la clase de iris.
• Guarda el modelo y su preprocesador serializado.
• Crea un servidor FastAPI para gestionar las predicciones y las comprobaciones del estado.
• Crea un contenedor personalizado con artefactos de modelo.
• Sube y despliega un contenedor personalizado en los endpoints de Vertex AI.

Pasos del tutorial

• Crea un TrainingPipeline personalizado de Vertex AI para entrenar un modelo.
• Entrena un modelo de TensorFlow.
• Implementa el recurso Model en un recurso Endpoint de publicación.
• Haz una predicción.
• Despliega el recurso Model.

Pasos del tutorial

• Crea una tarea personalizada de Vertex AI para entrenar un modelo.
• Entrena y registra un modelo de TensorFlow con un contenedor personalizado.
• Lista el modelo registrado en el registro de modelos de Vertex AI.

Pasos del tutorial

• Configurar una cuenta de servicio y un segmento de Cloud Storage
• Crear una instancia de Vertex AI TensorBoard
• Crear y ejecutar una tarea de entrenamiento personalizada
• Ver el panel de control de Cloud Profiler

Pasos del tutorial

• Preparación mediante un paquete de Python.
• Informa de la precisión al ajustar los hiperparámetros.
• Guarda los artefactos del modelo en Cloud Storage con Cloud Storage FUSE.
• Crea un recurso de modelo de Vertex AI.

Pasos del tutorial

• Sube un modelo de clasificación de imágenes preentrenado como recurso Model (modelo A).
• Sube un modelo de codificador de frases de texto preentrenado como recurso Model (modelo B).
• Crea un pool de recursos de implementación de VMs compartidas.
• Lista los grupos de recursos de despliegue de VMs compartidos.
• Crea dos recursos Endpoint.
• Despliega el primer modelo (modelo A) en el primer recurso Endpoint mediante el grupo de recursos de despliegue.
• Despliega el segundo modelo (modelo B) en el segundo recurso Endpoint mediante el grupo de recursos de despliegue.
• Envía una solicitud de predicción con el primer modelo desplegado (modelo A).
• Haz una solicitud de predicción con el segundo modelo desplegado (modelo B).

Pasos del tutorial

• Crea una tarea personalizada de Vertex AI para entrenar un modelo de TensorFlow.
• Sube los artefactos del modelo entrenado como recurso de modelo.
• Hacer una predicción por lotes.

Pasos del tutorial

• Crea una tarea personalizada Vertex AI para entrenar un modelo de TensorFlow.
• Sube los artefactos del modelo entrenado a un recurso Model.
• Crea un recurso Endpoint.
• Implementa el recurso Model en un recurso Endpoint de publicación.
• Haz una predicción.
• Despliega el recurso Model.

Pasos del tutorial

• Crea un recurso de conjunto de datos de Vertex AI a partir de una tabla de BigQuery compatible con el entrenamiento de AutoML.
• Extrae una copia del conjunto de datos de BigQuery a un archivo CSV de Cloud Storage compatible con AutoML o con el entrenamiento personalizado.
• Selecciona filas de un conjunto de datos de BigQuery en un dataframe de pandas compatible con el entrenamiento personalizado.
• Selecciona filas de un conjunto de datos de BigQuery en un tf.data.Dataset compatible con modelos de TensorFlow de entrenamiento personalizado.
• Selecciona filas de archivos CSV extraídos en un formato tf.data.Dataset compatible con modelos de TensorFlow de entrenamiento personalizado.
• Crea un conjunto de datos de BigQuery a partir de archivos CSV.
• Extrae datos de una tabla de BigQuery en un DMatrix compatible con modelos de XGBoost de entrenamiento personalizado.

Pasos del tutorial

• Ejecutar el módulo para preprocesar datos
• Crear un artefacto de conjunto de datos
• Parámetros de registro
• Ejecutar el módulo para entrenar el modelo
• Parámetros de registro
• Crear artefacto de modelo
• Asignar linaje de seguimiento a conjuntos de datos, modelos y parámetros

Pasos del tutorial

• Registrar los parámetros del modelo
• Registra la pérdida y las métricas en cada época en Vertex AI TensorBoard
• Registra las métricas de evaluación.

Pasos del tutorial

• Formalizar un componente de formación
• Crear un flujo de procesamiento de entrenamiento
• Ejecutar varios trabajos de flujo de procesamiento y registrar sus resultados
• Comparar diferentes trabajos de la canalización

Pasos del tutorial

• Cómo eliminar el experimento de prueba A/B con un par de etiquetas clave-valor predefinido
• Cómo eliminar los experimentos de prueba A/B creados antes del create_time
• Cómo eliminar los experimentos de prueba A/B creados antes del update_time

Pasos del tutorial

• Formalizar un experimento de modelo en una secuencia de comandos
• Ejecutar el entrenamiento de modelos con una secuencia de comandos local en Vertex AI Training
• Consultar los parámetros y las métricas de los experimentos de aprendizaje automático en Vertex AI Experiments

Pasos del tutorial

• Entrenamiento local (cuaderno)
• Cree un experimento.
• Crea una primera ejecución en el experimento.
• Parámetros de registro y métricas.
• Crea el linaje del artefacto.
• Visualiza los resultados del experimento.
• Ejecuta una segunda prueba.
• Compara las dos versiones del experimento.
• Entrenamiento en la nube (Vertex AI)
• En la secuencia de comandos de entrenamiento

Pasos del tutorial

• Habilita el registro automático en el SDK de Vertex AI.
• Entrena un modelo de scikit-learn y consulta el experimento resultante con métricas y parámetros registrados automáticamente en Vertex AI Experiments sin configurar un experimento.
• Entrena un modelo de TensorFlow y consulta las métricas y los parámetros registrados automáticamente en Vertex AI Experiments. Para ello, define manualmente una ejecución de experimento con aiplatform.start_run() y aiplatform.end_run().
• Inhabilita el registro automático en el SDK de Vertex AI, entrena un modelo de PyTorch y comprueba que no se registre ninguno de los parámetros ni las métricas.

Pasos del tutorial

• Crea un recurso de conjunto de datos gestionado de Vertex AI.
• Entrena un modelo de clasificación binaria tabular de AutoML.
• Consulta las métricas de evaluación del modelo entrenado.
• Envía una solicitud de predicción por lotes con interpretabilidad.

Pasos del tutorial

• Crea un recurso de conjunto de datos de Vertex AI.
• Entrena un modelo de clasificación binaria tabular de AutoML.
• Consulta las métricas de evaluación del modelo entrenado.
• Crea un recurso de endpoint de servicio.
• Despliega el recurso Model en un recurso Endpoint.
• Envía una solicitud de predicción online con interpretabilidad.
• Anula el despliegue del recurso Model.

Pasos del tutorial

• Crea una tarea personalizada Vertex AI para entrenar un modelo de TensorFlow.
• Consulta la evaluación del modelo entrenado.
• Define los parámetros de explicación para cuando se implemente el modelo.
• Sube los artefactos del modelo entrenado y los parámetros de explicación como recurso Model.
• Hacer una predicción por lotes con explicaciones.

Pasos del tutorial

• Crea una tarea personalizada de Vertex AI para entrenar un modelo de TensorFlow.
• Consulta la evaluación del modelo entrenado.
• Define los parámetros de explicación para cuando se implemente el modelo.
• Sube los artefactos y las explicaciones del modelo entrenado como recurso de modelo.
• Crea un recurso de endpoint de servicio.
• Despliega el recurso de modelo en un recurso de endpoint de servicio.
• Haz una predicción con una explicación.
• Anula el despliegue del recurso de modelo.

Pasos del tutorial

• Crea una tarea personalizada de Vertex AI para entrenar un modelo de TensorFlow.
• Consulta la evaluación del modelo entrenado.
• Define los parámetros de explicación del modelo.
• Sube los artefactos del modelo entrenado como recurso de modelo.
• Hacer una predicción por lotes con explicaciones.

Pasos del tutorial

• Crea una tarea personalizada de Vertex AI para entrenar un modelo de TensorFlow.
• Consulta la evaluación del modelo entrenado.
• Define los parámetros de explicación para cuando se implemente el modelo.
• Sube los artefactos y las explicaciones del modelo entrenado como recurso de modelo.
• Crea un recurso de endpoint de servicio.
• Despliega el recurso de modelo en un recurso de endpoint de servicio.
• Haz una predicción con una explicación.
• Anula el despliegue del recurso de modelo.

Pasos del tutorial

• Crea una tarea personalizada de Vertex AI para entrenar un modelo de TensorFlow.
• Entrena un modelo de TensorFlow.
• Recupera y carga los artefactos del modelo.
• Consulta la evaluación del modelo entrenado.
• Defina los parámetros de la explicación.
• Sube el modelo como recurso de modelo de Vertex AI.
• Despliega el recurso Model en un recurso Endpoint.
• Haz una predicción con una explicación.
• Anula el despliegue del recurso Model.

Pasos del tutorial

• Descargar un modelo preentrenado de TensorFlow Hub
• Subir un modelo para desplegarlo
• Desplegar un modelo para hacer predicciones online
• Hacer predicciones online con explicaciones
• Hacer predicciones por lotes con explicaciones

Pasos del tutorial

• Crear y entrenar un modelo de clasificación de texto de TensorFlow
• Subir un modelo para desplegarlo
• Desplegar un modelo para hacer predicciones online
• Hacer predicciones online con explicaciones

Pasos del tutorial

• Aprovisiona una instancia de Feature Store online para alojar y servir datos.
• Registra una vista de BigQuery en la instancia del almacén de características online y configura la tarea de sincronización.
• Usa el servidor online para obtener los valores de las características de la predicción online.

Pasos del tutorial

• Provisiona una instancia de almacén de características online para alojar y servir datos mediante el servicio online optimizado con un endpoint público o privado.
• Registra una vista de BigQuery en la instancia del almacén de características online y configura la tarea de sincronización.
• Usa el servidor online para obtener los valores de las características de la predicción online.

Pasos del tutorial

• Aprovisiona una instancia de Feature Store online para alojar y servir datos.
• Crea una instancia de almacén de características online para servir una tabla de BigQuery.
• Usa el servidor online para buscar los vecinos más cercanos.

Pasos del tutorial

• Aprovisiona una instancia de Feature Store online para alojar y servir datos.
• Crea una instancia de almacén de características online para servir una tabla de BigQuery.
• Usa el servidor online para buscar los vecinos más cercanos.

Pasos del tutorial

• Crea una vista de características configurada para usar una cuenta de servicio específica.
• Se crea una cuenta de servicio para cada vista de funciones. Esta cuenta de servicio se usa para sincronizar datos de BigQuery.
• La API Get/List feature view devuelve la cuenta de servicio creada automáticamente. Los usuarios deben llamar al comando bq addiampolicybinding para conceder roles/bigquery.dataViewer a la cuenta de servicio.

Pasos del tutorial

• Crea una featurestore.
• Crea un tipo de entidad para tu feature store.
• Importa valores de funciones de Pandas DataFrame al tipo de entidad de la featurestore.

Pasos del tutorial

• Crea recursos Featurestore, EntityType y Feature.
• Importa valores de funciones de Pandas DataFrame al tipo de entidad.
• Lee los valores de las funciones de las entidades del almacén de funciones online en Pandas DataFrame.
• Sirve por lotes los valores de las características de tu almacén de características en Pandas DataFrame.
• Servicio online con valores de características actualizados.
• Corrección en un momento dado para obtener los valores de las funciones de entrenamiento.

Pasos del tutorial

• Crea recursos Featurestore, EntityType y Feature.
• Importa datos de características en el recurso Featurestore.
• Sirve solicitudes de predicción online con las funciones importadas.
• Acceder a las funciones importadas en tareas offline, como las tareas de entrenamiento.
• Usa la importación de streaming para importar una pequeña cantidad de datos.

Pasos del tutorial

• Crea un trabajo de Vertex AI Pipeline con una plantilla predefinida para la inferencia por lotes.
• Ejecuta el flujo de procesamiento con Vertex AI Pipelines.
• Genera resultados de predicción de un modelo para un conjunto de datos determinado.

Pasos del tutorial

• Obtén el modelo LLM de Vertex AI.
• Destila el modelo(esto crea automáticamente un endpoint de Vertex AI y despliega el modelo en el endpoint).
• Hacer una predicción con un LLM de Vertex AI.

Pasos del tutorial

• Define el número de pasos de ajuste del modelo.
• Crea un trabajo de Vertex AI Pipeline con una plantilla de ajuste predefinida.
• Ejecuta el flujo de procesamiento con Vertex AI Pipelines.
• Obtén predicciones del modelo optimizado.

Pasos del tutorial

• Instalación e importaciones
• Crear un conjunto de datos de inserciones
• Crear un índice
• Consultar el índice

Pasos del tutorial

Pasos del tutorial

Pasos del tutorial

• Obtén el modelo LLM de Vertex AI.
• Ajusta el modelo.
• De esta forma, se crea automáticamente un endpoint de Vertex AI y se despliega el modelo en él.
• Hacer una predicción con un LLM de Vertex AI.
• Hacer una predicción con la inferencia de Vertex AI.

Pasos del tutorial

Pasos del tutorial

• Usa los endpoints de predicción de la API PaLM de Vertex AI para recibir respuestas de IA generativa a un mensaje.
• Usa el endpoint de inserción de texto para recibir una representación vectorial de un mensaje.
• Afinar las peticiones de un LLM en función de los datos de entrenamiento de entrada y salida.

Pasos del tutorial

• Entrena un modelo de clasificación de imágenes de AutoML.
• Hacer una predicción por lotes.
• Desplegar un modelo en un endpoint
• Hacer una predicción online

Pasos del tutorial

• Entrena un modelo de detección de objetos de AutoML.
• Hacer una predicción por lotes.
• Desplegar un modelo en un endpoint
• Hacer una predicción online

Pasos del tutorial

• Entrena un modelo de seguimiento de objetos de vídeo de AutoML.
• Hacer una predicción por lotes.

Pasos del tutorial

• Crea un recurso de conjunto de datos de Vertex AI.
• Entrena el modelo.
• Consulta la evaluación del modelo.
• Despliega el recurso de modelo en un recurso de endpoint de servicio.
• Haz una predicción.
• Anular el despliegue del modelo

Pasos del tutorial

• Entrena un modelo de clasificación de vídeos de AutoML.
• Hacer una predicción por lotes.

Pasos del tutorial

• Empaqueta el código de entrenamiento en una aplicación de Python.
• Conteneriza la aplicación de entrenamiento con Cloud Build y Artifact Registry.
• Crea una tarea de entrenamiento de contenedores personalizada en Vertex AI y ejecútala.
• Evalúa el modelo generado a partir del trabajo de entrenamiento.
• Crea un recurso de modelo para el modelo entrenado en el registro de modelos de Vertex AI.
• Ejecuta una tarea de inferencia por lotes de Vertex AI.
• Despliega el recurso de modelo en un endpoint de Vertex AI.
• Ejecuta una tarea de predicción online en el recurso de modelo.
• Limpiar los recursos creados.

Pasos del tutorial

• Empaqueta el código de entrenamiento en una aplicación de Python.
• Conteneriza la aplicación de entrenamiento con Cloud Build y Artifact Registry.
• Crea una tarea de entrenamiento de contenedores personalizada en Vertex AI y ejecútala.
• Evalúa el modelo generado a partir del trabajo de entrenamiento.
• Crea un recurso de modelo para el modelo entrenado en el registro de modelos de Vertex AI.
• Ejecuta una tarea de inferencia por lotes de Vertex AI.
• Despliega el recurso de modelo en un endpoint de Vertex AI.
• Ejecuta una tarea de predicción online en el recurso de modelo.
• Limpiar los recursos creados.

Pasos del tutorial

• Crea una tarea personalizada de Vertex AI para entrenar un modelo de scikit-learn.
• Sube los artefactos del modelo entrenado como recurso de modelo.
• Generar predicciones por lotes.
• Despliega el recurso de modelo en un recurso de endpoint de servicio.
• Generar predicciones online.
• Anula el despliegue del recurso de modelo.

Pasos del tutorial

• Crea una tarea personalizada de Vertex AI para entrenar un modelo xgboost.
• Sube los artefactos del modelo entrenado como recurso de modelo.
• Generar predicciones por lotes.
• Despliega el recurso de modelo en un recurso de endpoint de servicio.
• Generar predicciones online.
• Anula el despliegue del recurso de modelo.

Pasos del tutorial

• Crea una tarea de ajuste de hiperparámetros de Vertex AI para entrenar un modelo de TensorFlow.

Pasos del tutorial

• Crear un repositorio de Docker privado.
• Etiquetar una imagen de contenedor específica del repositorio privado de Docker.
• Envío de una imagen de contenedor al repositorio privado de Docker.
• Extrayendo una imagen de contenedor del repositorio Docker privado.
• Eliminar un repositorio Docker privado.

Pasos del tutorial

• Monitoriza los parámetros de entrenamiento y las métricas de predicción de un trabajo de entrenamiento personalizado.
• Extrae y analiza todos los parámetros y métricas de un experimento.

Pasos del tutorial

• Hacer un seguimiento de los parámetros y las métricas de un modelo entrenado localmente.
• Extraer y analizar todos los parámetros y métricas de un experimento.

Pasos del tutorial

• Usa el SDK de Kubeflow Pipelines para crear una canalización de aprendizaje automático que se ejecute en Vertex AI.
• La canalización crea un conjunto de datos, entrena un modelo de scikit-learn y lo despliega en un endpoint.
• Escribir componentes de canalización personalizados que generen artefactos y metadatos.
• Compara las ejecuciones de Vertex AI Pipelines, tanto en la Google Cloud consola como mediante programación.
• Rastrear el linaje de los artefactos generados por la canalización.
• Consulta los metadatos de la ejecución de tu flujo de procesamiento.

Pasos del tutorial

• Crea un Dataset de Vertex AI.
• Entrena un modelo de clasificación tabular de AutoML en el recurso Dataset.
• Importa el AutoML model resource entrenado a la canalización.
• Ejecuta una tarea Batch Prediction.
• Evalúa el modelo de AutoML con Classification Evaluation component.
• Importa las métricas de clasificación al recurso del modelo de AutoML.

Pasos del tutorial

• Crea un conjunto de datos de Vertex AI.
• Configura una clase AutoMLTabularTrainingJob.
• Ejecuta AutoMLTabularTrainingJob, que devuelve un modelo.
• Importa un AutoML model resource preentrenado en la canalización.
• Ejecuta un trabajo de batch prediction en el flujo de procesamiento.
• Evalúa el modelo de AutoML con regression evaluation component.
• Importa las métricas de regresión generadas en el recurso del modelo de AutoML.

Pasos del tutorial

• Crea un conjunto de datos de Vertex AI.
• Entrena un modelo de clasificación de vídeo de AutoML en el recurso de conjunto de datos de Vertex AI.
• Importa el recurso de modelo de AutoML Vertex AI entrenado a la canalización.
• Ejecuta una tarea de predicción por lotes dentro de la canalización.
• Evalúa el modelo de AutoML con el componente de evaluación de clasificación.
• Importa las métricas de clasificación al recurso Model de AutoML Vertex AI.

Pasos del tutorial

• Obtenga el conjunto de datos de la fuente pública.
• Preprocesa los datos de forma local y guarda los datos de prueba en BigQuery.
• Entrena un modelo de clasificación RandomForest de forma local con el paquete de Python scikit-learn.
• Crea un contenedor personalizado en Artifact Registry para las predicciones.
• Sube el modelo al registro de modelos de Vertex AI.
• Crea y ejecuta una canalización de Vertex AI que

Pasos del tutorial

• Crea una tarea de entrenamiento personalizado de Vertex AI para entrenar un modelo de TensorFlow.
• Ejecuta la tarea de entrenamiento personalizada.
• Recupera y carga los artefactos del modelo.
• Consulta la evaluación del modelo.
• Sube el modelo como recurso de modelo de Vertex AI.
• Importa un recurso de modelo de Vertex AI preentrenado en la canalización.
• Ejecutar una tarea de predicción por lotes en la canalización.
• Evalúa el modelo con el componente de evaluación de regresión.
• Importa las métricas de regresión al recurso de modelo de Vertex AI.

Pasos del tutorial

• Crea un conjunto de datos de evaluación con predicciones y datos de preferencias humanas.
• Preprocesa los datos de forma local y guárdalos en Cloud Storage.
• Crea y ejecuta una canalización de Vertex AI AutoSxS que genere las valoraciones y un conjunto de métricas de AutoSxS a partir de las valoraciones generadas.
• Imprime las valoraciones y las métricas de AutoSxS.
• Limpiar los recursos creados en este cuaderno.

Pasos del tutorial

• Obtenga el conjunto de datos de la fuente pública.
• Preprocesa los datos de forma local y guarda los datos de prueba en Cloud Storage.
• Crea y ejecuta un flujo de procesamiento AutoSxS de Vertex AI que genere las valoraciones y evalúe los dos modelos candidatos a partir de las valoraciones generadas.
• Imprime los juicios y las métricas de evaluación.
• Limpiar los recursos creados en este cuaderno.

Pasos del tutorial

• Sube un modelo preentrenado como recurso de modelo de Vertex AI.
• Genera solicitudes de predicción por lotes.
• Interpretar las estadísticas, las visualizaciones y otros datos que proporciona la función de monitorización de modelos.

Pasos del tutorial

• Entrena un modelo de AutoML.
• Despliega el recurso de modelo en un recurso de endpoint de Vertex AI.
• Configure el recurso de endpoint para la monitorización de modelos.
• Generar solicitudes de predicción sintéticas para la desviación.
• Generar solicitudes de predicción sintéticas para la deriva.
• Espera la notificación de alerta por correo.

Pasos del tutorial

• 1. Entrena un modelo de clasificación de imágenes de AutoML.
• 2. Crea un endpoint.
• 3. Despliega el modelo en el endpoint y configúralo para la monitorización de modelos.
• 4. Envía una predicción online que contenga imágenes que estén y no estén en distribución.
• 5. Usa Monitorización de modelos para calcular la puntuación de anomalía de cada imagen.
• 6. Identifica las imágenes de la solicitud de predicción online que están fuera de la distribución.

Pasos del tutorial

• Descarga un modelo tabular personalizado preentrenado.
• Sube el modelo preentrenado al registro de modelos de Vertex AI.
• Despliega el recurso de modelo en un recurso de endpoint de Vertex AI.
• Configure el recurso de endpoint para la monitorización de modelos.
• Generar solicitudes de predicción sintéticas para simular la asimetría.
• Espera las notificaciones de alerta por correo.
• Genera solicitudes de predicción sintéticas para simular la deriva.
• Espera las notificaciones de alerta por correo.

Pasos del tutorial

• Descarga un modelo tabular personalizado preentrenado.
• Sube el modelo preentrenado como recurso de modelo.
• Desplegar el recurso de modelo en un recurso de endpoint con el archivo binario de servicio "TensorFlow Serving".
• Configura el recurso Endpoint para la monitorización de modelos.
• Generar solicitudes de predicción sintéticas para la desviación.
• Espera la notificación de alerta por correo.
• Generar solicitudes de predicción sintéticas para la deriva.
• Espera la notificación de alerta por correo.

Pasos del tutorial

• Descarga un modelo tabular personalizado preentrenado.
• Sube el modelo preentrenado como recurso de modelo.
• Despliega el recurso de modelo en el recurso de endpoint.
• Configure el recurso de endpoint para la monitorización de modelos.
• Detección de sesgo y deriva de las entradas de características.
• Detección de sesgos y derivas en las atribuciones de características.
• Generación automática del esquema de entrada enviando 1000 solicitudes de predicción.
• Enumera, pausa, reanuda y elimina tareas de monitorización.
• Reinicia la tarea de monitorización con un esquema de entrada predefinido.
• Ver los datos monitorizados registrados.

Pasos del tutorial

• Descarga un modelo XGBoost preentrenado.
• Sube el modelo preentrenado al registro de modelos de Vertex AI.
• Despliega el recurso de modelo en un recurso de endpoint de Vertex AI.
• Configurar el recurso de endpoint para la monitorización de modelos

Pasos del tutorial

• Sube un modelo preentrenado como recurso de modelo de Vertex AI.
• Crea un recurso de endpoint de Vertex AI.
• Despliega el recurso de modelo en el recurso de endpoint.
• Configure el recurso de endpoint para la monitorización de modelos.
• Inicializa la distribución de referencia para la monitorización de modelos.
• Generar solicitudes de predicción sintéticas.
• Aprenda a interpretar las estadísticas, las visualizaciones y otros datos que proporciona la función de monitorización de modelos.

Pasos del tutorial

Pasos del tutorial

Pasos del tutorial

• Crea y registra la primera versión de un modelo en el registro de modelos de Vertex AI.
• Crea y registra una segunda versión de un modelo en el registro de modelos de Vertex AI.
• Actualizar la versión del modelo que es la predeterminada.
• Eliminar una versión de un modelo.
• Entrenando la siguiente versión del modelo.

Pasos del tutorial

• Crea una canalización de KFP que cree un conjunto de datos de Vertex AI.
• Añade un componente a la canalización que entrene un recurso de modelo de clasificación tabular de AutoML.
• Añade un componente que cree un recurso de endpoint de Vertex AI.
• Añade un componente que despliegue el recurso de modelo en el recurso de endpoint.
• Compila el flujo de trabajo de KFP.
• Ejecuta el flujo de procesamiento de KFP con Vertex AI Pipelines.

Pasos del tutorial

• Importa un modelo preentrenado (aprobado) al registro de modelos de Vertex AI.
• Importa métricas de evaluación de modelos sintéticos al modelo correspondiente (aprobado).
• Crear un recurso de endpoint de Vertex AI
• Despliega el modelo bendecido en el recurso de endpoint.
• Crea una canalización de Vertex AI que siga estos pasos

Pasos del tutorial

• Crear una canalización de KFP con componentes de flujo de control
• Compilar el flujo de trabajo de KFP
• Ejecutar el flujo de procesamiento de KFP con Vertex AI Pipelines

Pasos del tutorial

• Crear un flujo de procesamiento de KFP

Pasos del tutorial

• Crea un conjunto de datos en BigQuery.
• Dejar de lado algunos datos del conjunto de datos de origen para la predicción por lotes.
• Crea un paquete de Python personalizado para la aplicación de entrenamiento.
• Sube el paquete de Python a Cloud Storage.
• Crea una canalización de Vertex AI que

Pasos del tutorial

• Construir un flujo de procesamiento para

Pasos del tutorial

• Crea un componente personalizado con una tarea de entrenamiento independiente.
• Ejecutar una canalización con ajustes a nivel de componente para los recursos de la máquina
• Convierte el componente de formación independiente en un Vertex AI CustomJob.
• Ejecutar un flujo de trabajo con ajustes de nivel de CustomJob para los recursos de la máquina

Pasos del tutorial

• Crear un flujo de procesamiento de KFP

Pasos del tutorial

• Crea un flujo de trabajo de KFP que cree un recurso Dataset.
• Añade un componente a la canalización que entrene un recurso de regresión tabular de AutoML Model.
• Añade un componente que cree un recurso Endpoint.
• Añade un componente que implemente el recurso Model en el recurso Endpoint.
• Compila el flujo de trabajo de KFP.
• Ejecuta la canalización de KFP con Vertex AI Pipelines.

Pasos del tutorial

• Crear un flujo de procesamiento de KFP

Pasos del tutorial

• Crear un componente para una tarea de Dataflow que ingiera datos en BigQuery.
• Crear un componente para los pasos de preprocesamiento que se ejecutarán en los datos de BigQuery.
• Crear un componente para entrenar un modelo de regresión logística con BigQuery ML.
• Crear y configurar un flujo de procesamiento de DSL de Kubeflow con todos los componentes creados.
• Compilar y ejecutar el flujo de procesamiento en Vertex AI Pipelines.

Pasos del tutorial

• Crear un flujo de procesamiento de KFP

Pasos del tutorial

• Crear un flujo de procesamiento de KFP

Pasos del tutorial

• Crea componentes de KFP basados en funciones de Python.
• Construye un flujo de trabajo de KFP.
• Transfiere artefactos y parámetros entre componentes, tanto por referencia de ruta como por valor.
• Usa el método kfp.dsl.importer.
• Compila el flujo de trabajo de KFP.
• Ejecutar el flujo de procesamiento de KFP con Vertex AI Pipelines

Pasos del tutorial

• Crear componentes de KFP

Pasos del tutorial

• Importa un modelo preentrenado (campeón) al registro de modelos de Vertex AI.
• Importa las métricas de evaluación del entrenamiento del modelo sintético al modelo correspondiente (el mejor).
• Crea un recurso de endpoint de Vertex AI.
• Despliega el modelo ganador en el recurso de endpoint.
• Importa versiones adicionales (candidatas) del modelo desplegado.
• Importa las métricas de evaluación del entrenamiento del modelo sintético a los modelos correspondientes (los contendientes).
• Crea una canalización de Vertex AI que siga estos pasos

Pasos del tutorial

• Define y compila un flujo de procesamiento de Vertex AI.
• Especifica qué cuenta de servicio quieres usar para ejecutar una canalización.
• Ejecuta la canalización con el SDK de Vertex AI para Python y la API REST.

Pasos del tutorial

• Crear un conjunto de datos de entrenamiento de BigQuery y Vertex AI.
• Entrenar un modelo de BigQuery ML y AutoML.
• Extraer métricas de evaluación de los modelos de BigQuery ML y AutoML.
• Seleccionar el modelo mejor entrenado.
• Desplegar el modelo mejor entrenado.
• Probar la infraestructura del modelo desplegado.

Pasos del tutorial

• Crea un TrainingPipeline personalizado de Vertex AI para entrenar un modelo.
• Entrena un modelo de TensorFlow.
• Envía una tarea de predicción por lotes.

Pasos del tutorial

• Descarga los artefactos del modelo de TensorFlow Hub.
• Crea un archivo de configuración de publicación de Triton para el modelo.
• Crea un contenedor personalizado con la imagen de servicio de Triton para desplegar el modelo.
• Sube el modelo como recurso de modelo de Vertex AI.
• Despliega el recurso de modelo de Vertex AI en un recurso de endpoint de Vertex AI.
• Haz una solicitud de predicción.
• Anula el despliegue del recurso de modelo y elimina el endpoint.

Pasos del tutorial

• Descarga artefactos de modelos de clasificación tabular preentrenados para un estimador de TensorFlow 1.x.
• Sube el modelo de estimador de TensorFlow como un recurso Vertex AI Model.
• Crea un recurso Endpoint.
• Implementa el recurso Model en un recurso Endpoint.
• Haz una predicción sin procesar online en la instancia de recurso Model desplegada en el recurso Endpoint.

Pasos del tutorial

Pasos del tutorial

• Crear un recurso Private Endpoint.
• Configura una conexión de emparejamiento de VPC.
• Configurar el archivo binario de servicio de un recurso Model para implementarlo en un recurso Private Endpoint.
• Desplegar un recurso Model en un recurso Private Endpoint.
• Enviar una solicitud de predicción a un Private Endpoint

Pasos del tutorial

• Carga un modelo de generación de texto preentrenado.
• Hacer una predicción sin streaming
• Carga un modelo de generación de texto preentrenado que admita el streaming.
• Hacer una predicción de streaming
• Carga un modelo de chat preentrenado.
• Realiza una sesión de chat interactiva local.
• Hacer una predicción por lotes con un modelo de generación de texto.
• Hacer una predicción por lotes con un modelo de inserción de texto.

Pasos del tutorial

• Descargar un modelo de imagen preentrenado de PyTorch
• Crear un controlador de modelo personalizado
• Empaquetar artefactos de modelos en un archivo de modelo
• Subir un modelo para desplegarlo
• Desplegar un modelo para predicciones
• Hacer predicciones online
• Hacer predicciones por lotes

Pasos del tutorial

• Empaquetar la aplicación de entrenamiento en una distribución de origen de Python
• Configurar y ejecutar una tarea de entrenamiento en un contenedor prediseñado
• Empaquetar artefactos de modelos en un archivo de modelo
• Subir un modelo para desplegarlo
• Desplegar un modelo usando un contenedor prediseñado para la predicción
• Hacer predicciones online

Pasos del tutorial

• Preparar la secuencia de comandos de entrenamiento
• Enviar un trabajo de Ray mediante la API Ray Jobs
• Descargar un modelo de imagen entrenado de PyTorch
• Crear un controlador de modelo personalizado
• Empaquetar artefactos de modelos en un archivo de modelo
• Registrar un modelo en el registro de modelos de Vertex AI
• Desplegar un modelo en un endpoint de Vertex AI
• Hacer predicciones online

Pasos del tutorial

• Crea un clúster.
• Lista los clústeres actuales.
• Obtener un clúster.
• Escala verticalmente el clúster y, a continuación, redúcelo.
• Autoescalar un clúster.
• Elimina los clústeres que ya tengas.

Pasos del tutorial

• Crear una imagen de contenedor de Ray en Vertex AI personalizada
• Crear un clúster de Ray en Vertex AI con una imagen de contenedor personalizada
• Ejecutar Spark de forma interactiva en el clúster con RayDP
• Ejecutar una aplicación de Spark en un clúster mediante la API Ray Job
• Leer archivos de Google Cloud Storage en una aplicación Spark
• UDF de Pandas en una aplicación de Spark en Ray en Vertex AI
• Eliminar el clúster de Ray en Vertex AI

Pasos del tutorial

• Crear una aplicación de entrenamiento distribuido de PyTorch
• Empaquetar la aplicación de entrenamiento con contenedores prediseñados
• Crear una tarea personalizada en Vertex AI con Reduction Server
• Enviar y monitorizar la tarea

Pasos del tutorial

• Define el nombre de la tarea y el prefijo de Cloud Storage
• Copiar datos de entrenamiento de la demo de vídeo de AutoML para crear un conjunto de datos gestionado
• Crea un conjunto de datos en Vertex AI.
• Configurar una tarea de entrenamiento
• Iniciar un trabajo de entrenamiento y crear un modelo en Vertex AI
• Copiar datos de predicción de la demo de AutoML Video para crear una tarea de predicción por lotes
• Realizar una tarea de predicción por lotes en el modelo

Pasos del tutorial

• Crear funciones de utilidad para descargar datos y preparar archivos CSV para crear un conjunto de datos gestionado de Vertex AI
• Descargar datos
• Preparar archivos CSV para crear un conjunto de datos gestionado
• Crear un paquete de Python de entrenamiento personalizado
• Crear un contenedor de TensorFlow Serving
• Ejecutar un entrenamiento de paquetes de Python personalizados con un conjunto de datos de texto gestionado
• Desplegar un modelo y crear un endpoint en Vertex AI
• Hacer predicciones en el endpoint
• Crear una tarea de predicción por lotes en el modelo

Pasos del tutorial

• Configura el proyecto.
• Descarga los datos de predicción del modelo preentrenado en datos de Syn2.
• Visualiza y comprende la importancia de las características en función de la salida de las máscaras.
• Limpia el recurso creado en este tutorial.

Pasos del tutorial

• Entrena el modelo ARIMA_PLUS de BigQuery ML.
• Ver la evaluación del modelo de BigQuery ML.
• Hacer una predicción por lotes con el modelo de BigQuery ML.

Pasos del tutorial

• 1. Entrena los modelos de Prophet.
• 1. Consulta las métricas de evaluación.
• 1. Hacer una predicción por lotes con los modelos de Prophet.

Pasos del tutorial

• Crea un CustomJob de TabNet. Esta es la mejor opción si sabes qué hiperparámetros usar para el entrenamiento.
• Crea un HyperparameterTuningJob de TabNet. De esta forma, puede obtener el mejor conjunto de hiperparámetros para su conjunto de datos.

Pasos del tutorial

• Crea un CustomJob de modelo profundo y amplio. Esta es la mejor opción si sabes qué hiperparámetros usar para el entrenamiento.
• Crea un HyperparameterTuningJob de modelo profundo y amplio. De esta forma, puede obtener el mejor conjunto de hiperparámetros para su conjunto de datos.

Pasos del tutorial

• Crea un repositorio de Docker y una configuración.
• Crea una imagen de contenedor personalizada con tu código de entrenamiento personalizado.
• Configura la cuenta de servicio y los segmentos de Google Cloud Storage.
• Crea e inicia tu trabajo de entrenamiento personalizado con tu contenedor personalizado.

Pasos del tutorial

• Configura la cuenta de servicio y los segmentos de Cloud Storage.
• Escribe el código de entrenamiento personalizado.
• Empaqueta y sube el código de entrenamiento a Cloud Storage.
• Crea e inicia tu tarea de entrenamiento personalizada con Vertex AI TensorBoard habilitado para monitorizarla casi en tiempo real.

Pasos del tutorial

• Adapta las ejecuciones de TensorFlow para registrar hiperparámetros y métricas.
• Inicia las ejecuciones y regístralas todas en un directorio principal.
• Visualiza los resultados en el panel de control HParams de Vertex AI TensorBoard.

Pasos del tutorial

• Configurar una cuenta de servicio y un segmento de Cloud Storage
• Crear una instancia de Vertex AI TensorBoard
• Crear y ejecutar un trabajo de entrenamiento personalizado que habilite Profiler
• Ver el panel de control de Profiler para depurar el rendimiento del entrenamiento de tu modelo

Pasos del tutorial

• Preparar el código de entrenamiento personalizado y cargarlo como un paquete de Python en un contenedor prediseñado
• Crear y ejecutar un trabajo de entrenamiento personalizado que habilite Profiler
• Ver el panel de control de Profiler para depurar el rendimiento del entrenamiento de tu modelo

Pasos del tutorial

• Configura una cuenta de servicio y segmentos de Google Cloud Storage.
• Crea una canalización de KFP con tu código de entrenamiento personalizado.
• Compila y ejecuta la canalización de KFP en Vertex AI Pipelines con Vertex AI TensorBoard habilitado para la monitorización casi en tiempo real.

Pasos del tutorial

• Preparación mediante un paquete de Python.
• Informa de la precisión al ajustar los hiperparámetros.
• Guarda los artefactos del modelo en Cloud Storage con Cloud Storage FUSE.

Pasos del tutorial

• Preparación mediante un paquete de Python.
• Guarda los artefactos del modelo en Cloud Storage con Cloud Storage FUSE.
• Crea un servidor de predicción de FastAPI.
• Crea una imagen de despliegue de Dockerfile para el servidor.
• Prueba la imagen de implementación de forma local (opcional y no para usuarios de Colab).
• Crea un recurso de modelo de Vertex AI.
• Ejecutar una tarea de predicción por lotes.
• Despliega el modelo en un punto de conexión y envía solicitudes de predicción online.
• Elimina los recursos creados.

Pasos del tutorial

Pasos del tutorial

• Modifica el código de la aplicación de entrenamiento para automatizar el ajuste de hiperparámetros.
• Crea contenedores para el código de la aplicación de entrenamiento.
• Configura e inicia una tarea de ajuste de hiperparámetros con el SDK de Python de Vertex AI.

Pasos del tutorial

• Entrenar con un paquete de aplicaciones de entrenamiento de Python.
• Informa de la precisión durante el ajuste de hiperparámetros.
• Guarda los artefactos del modelo en Cloud Storage con Cloud Storage FUSE.
• Muestra el mejor modelo.

Pasos del tutorial

• Configurar un Google Cloud proyecto

Pasos del tutorial

• Crear un contenedor personalizado con Artifact Registry y Docker.
• Crear una instancia de TensorBoard de Vertex AI para almacenar tu experimento de Vertex AI.
• Ejecuta una tarea de entrenamiento de Vertex AI con el SDK de Vertex AI para Python.

Pasos del tutorial

• Crea un paquete de entrenamiento para el modelo de clasificación de texto.
• Entrena el modelo con entrenamiento personalizado en Vertex AI.
• Comprueba los artefactos del modelo creado.
• Crea un contenedor personalizado para las predicciones.
• Despliega el modelo entrenado en un endpoint de Vertex AI con el contenedor personalizado para obtener predicciones.
• Envía solicitudes de predicción online al modelo desplegado y valida.
• Limpiar los recursos creados en este cuaderno.

Pasos del tutorial

• Escribir una secuencia de comandos de entrenamiento personalizada que cree los conjuntos de datos de entrenamiento y de prueba, y que entrene el modelo.
• Ejecutar un CustomTrainingJob con el SDK de Vertex AI para Python.

Pasos del tutorial

• Crear una secuencia de comandos shell para iniciar un clúster de etcd en el nodo maestro
• Crear un script de entrenamiento con código del repositorio de GitHub de PyTorch Elastic
• Crea contenedores que descarguen los datos e inicia un clúster de ETCD en el host.
• Entrenar el modelo con varios nodos con GPUs

Pasos del tutorial

• Configura las variables PROJECT_ID y LOCATION de tu proyecto de Google Cloud.
• Crea un segmento de Cloud Storage para almacenar los artefactos de tu modelo.
• Crea un contenedor Docker personalizado que aloje tu código de entrenamiento y envía la imagen del contenedor a Artifact Registry.
• Ejecutar un CustomContainerTrainingJob del SDK de Vertex AI

Pasos del tutorial

• Convierte un conjunto de datos de imágenes en inserciones.
• Crea un índice.
• Sube las inserciones al índice.
• Crea un endpoint de índice.
• Despliega el índice en el endpoint del índice.
• Realizar una consulta online.

Pasos del tutorial

• Crea un índice ANN.
• Crea un endpoint de índice con una red de VPC.
• Implementa el índice ANN.
• Realiza una consulta online.

Pasos del tutorial

• Convertir un conjunto de datos de BigQuery en inserciones.
• Crea un índice.
• Sube las inserciones al índice.
• Crea un endpoint de índice.
• Despliega el índice en el endpoint del índice.
• Realizar una consulta online.

Pasos del tutorial

• Crea un índice ANN y un índice de fuerza bruta.
• Crea un IndexEndpoint con una red de VPC.
• Implementa el índice ANN y el índice de fuerza bruta.
• Realiza una consulta online.
• Calcular la retirada.

Pasos del tutorial

Pasos del tutorial

• Ajuste de hiperparámetros con el algoritmo aleatorio.
• Ajuste de hiperparámetros con el algoritmo bayesiano de Vertex AI Vizier.
• Sugerir pruebas y actualizar resultados de un estudio de Vertex AI Vizier

Pasos del tutorial

• Obtener los datos necesarios de BigQuery
• Preprocesar los datos
• Entrenar un modelo de clasificación de TensorFlow (>=2.4)
• Evalúa la pérdida del modelo entrenado
• Automatizar la ejecución de cuadernos con la función de ejecutor
• Guarda el modelo en una ruta de Cloud Storage
• Limpiar los recursos creados

Pasos del tutorial

• Cargar el conjunto de datos con "BigQuery en cuadernos".
• Realizar un análisis exploratorio de los datos del conjunto de datos.
• Selección y preprocesamiento de funciones.
• Crear un modelo de regresión lineal con scikit-learn.
• Configurar el modelo para Vertex Explainable AI.
• Desplegar el modelo en Vertex AI.
• Probar el modelo desplegado.
• Limpiar.

Pasos del tutorial

• Explorar datos
• Modelado con BigQuery y el modelo ARIMA
• Evaluar el modelo
• Evaluar los resultados del modelo con BigQuery ML (con datos de entrenamiento)
• Evalúa los resultados del modelo: MAE, MAPE, MSE y RMSE (en los datos de prueba).
• Usar la función de ejecutor

Pasos del tutorial

• Usar Python y SQL para consultar datos públicos en BigQuery
• Consultar el conjunto de datos con INFORMATION_SCHEMA de BigQuery
• Crear elementos interactivos para explorar las partes interesantes de los datos
• Hacer análisis exploratorios de correlaciones y series temporales
• Crear resultados estáticos e interactivos (tablas de datos y gráficos) en el cuaderno
• Guardar algunas salidas en Cloud Storage

Pasos del tutorial

• Instalación de las bibliotecas necesarias
• Leer el conjunto de datos de un segmento de Cloud Storage
• Realizar un análisis exploratorio del conjunto de datos
• Preprocesar el conjunto de datos
• Entrenar un modelo de bosque aleatorio con scikit-learn
• Guardar el modelo en un segmento de Cloud Storage
• Crear un recurso de modelo de Vertex AI y desplegarlo en un endpoint
• Ejecutar What-If Tool en datos de prueba
• Anular el despliegue del modelo y limpiar los recursos del modelo

Pasos del tutorial

• Explorar los datos exportados de Google Analytics 4 en BigQuery.
• Prepara los datos de entrenamiento con datos demográficos y de comportamiento, así como etiquetas (baja o no baja).
• Entrena un modelo XGBoost con BigQuery ML.
• Evalúa el modelo con BigQuery ML.
• Usa BigQuery ML para predecir qué usuarios es probable que abandonen tu servicio.

Pasos del tutorial

• Cargar el conjunto de datos necesario desde un segmento de Cloud Storage.
• Analizar los campos presentes en el conjunto de datos.
• Seleccionar los datos necesarios para el modelo de mantenimiento predictivo.
• Entrenar un modelo de regresión XGBoost para predecir la vida útil restante.
• Evaluar el modelo.
• Ejecutar el cuaderno de principio a fin como un trabajo de entrenamiento mediante Executor.
• Desplegar el modelo en Vertex AI.
• Limpiar.

Pasos del tutorial

• Carga el conjunto de datos necesario desde un segmento de Cloud Storage.
• Analiza los campos presentes en el conjunto de datos.
• Procesa los datos para crear un modelo.
• Crea un modelo de previsión de BigQuery ML con los datos procesados.
• Obtén los valores previstos del modelo de BigQuery ML.
• Interpreta las previsiones para identificar los mejores precios.
• Limpiar.

Pasos del tutorial

• Cargando los datos necesarios.
• Preprocesar los datos.
• Seleccionar los datos necesarios para el modelo.
• Cargar el conjunto de datos en conjuntos de datos gestionados de Vertex AI.
• Entrenar un modelo de sentimiento con el entrenamiento de texto de AutoML.
• Evaluar el modelo.
• Desplegar el modelo en Vertex AI.
• Obteniendo predicciones.
• Limpiar.

Pasos del tutorial

• Configurar un proyecto de Google Cloud y un clúster de Dataproc.
• Configurar sparkbigqueryconnector.
• Ingerir datos de BigQuery en un DataFrame de Spark.
• Preprocesamiento de los datos ingeridos.
• Consultar el lenguaje de programación más usado en repositorios monolingües.
• Consultar el tamaño medio (MB) del código en cada idioma almacenado en repositorios monolingües.
• Consultar los archivos de idiomas que se encuentran con más frecuencia juntos en repositorios políglotas.
• Escribir los resultados de la consulta en BigQuery.
• Eliminar los recursos creados para este tutorial de cuaderno.

Pasos del tutorial

• Configura un proyecto de Google Cloud y un clúster de Dataproc.
• Crea un segmento de Cloud Storage y un conjunto de datos de BigQuery.
• Configura el conector de Spark BigQuery.
• Ingiere datos de BigQuery en un DataFrame de Spark.
• Realiza un análisis exploratorio de datos (EDA).
• Visualiza los datos con muestras.
• Limpia los datos.
• Selecciona funciones.
• Entrena el modelo.
• Genera resultados.
• Guarda el modelo en un segmento de Cloud Storage.
• Elimina los recursos creados para el tutorial.