Tutoriais do Vertex AI Jupyter Notebook

Etapas do tutorial

• Criar um job de treinamento de modelo da Vertex AI.
• Treinar um modelo tabular do AutoML.
• Implantar o recurso modelo em um recurso de endpoint em veiculação.
• Fazer uma previsão ao enviar dados.
• Desfazer a implantação do recurso modelo

Etapas do tutorial

• Criar um conjunto de dados da Vertex AI
• Treinar um recurso de modelo de classificação de texto do AutoML
• Conseguir as métricas de avaliação do recurso "Modelo".
• Crie um recurso "Endpoint"
• Implantar o recurso "Modelo" no recurso "Endpoint".
• Faça uma previsão on-line.
• Fazer uma previsão em lote.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Fazer uma previsão em lote.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Implantar o recurso modelo em um recurso de endpoint em veiculação.
• Fazer uma previsão.
• Remover a implantação do modelo.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Exportar o modelo "Edge" do recurso "Model" para o Cloud Storage.
• Faça o download do modelo localmente.
• Fazer uma previsão local

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Implantar o recurso modelo em um recurso de endpoint em veiculação.
• Fazer uma previsão.
• Remover a implantação do modelo.

Etapas do tutorial

• Criar um pipeline de treinamento que reduza o espaço de pesquisa do padrão para poupar tempo.
• Criar um pipeline de treinamento que reutilize os resultados da pesquisa de arquitetura do pipeline anterior para economizar tempo.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Fazer uma previsão em lote.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Fazer uma previsão em lote.

Etapas do tutorial

• Treinar um modelo de imagem
• Exportar o modelo de imagem como um modelo de borda
• Treinar um modelo tabular
• Exportar o modelo tabular como um modelo de nuvem
• Treinar um modelo de texto
• Treinar um modelo de vídeo

Etapas do tutorial

• Criar um recurso "TimeSeriesDataset" da Vertex AI.
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Fazer uma previsão em lote.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Fazer uma previsão em lote.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar um recurso de modelo de previsão tabular do "AutoML".
• Conseguir as métricas de avaliação do recurso "Modelo".
• Fazer uma previsão em lote.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Implantar o recurso modelo em um recurso de endpoint em veiculação.
• Fazer uma previsão.
• Remover a implantação do modelo.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Implantar o recurso modelo em um recurso de endpoint em veiculação.
• Fazer uma previsão.
• Remover a implantação do modelo.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Implantar o recurso modelo em um recurso de endpoint em veiculação.
• Fazer uma previsão.
• Remover a implantação do modelo.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Criar um job de treinamento para o modelo do AutoML no conjunto de dados
• Ver as métricas de avaliação do modelo.
• Implante o recurso "Modelo da Vertex AI" em um "endpoint da Vertex AI".
• Fazer uma solicitação de previsão para o modelo implantado.
• Desfazer a implantação do modelo do endpoint.
• Realize o processo de limpeza.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Fazer uma previsão em lote.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Fazer uma previsão em lote.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Fazer uma previsão em lote.

Etapas do tutorial

• Criar uma tabela local do BigQuery no seu projeto
• Treinar um modelo do BigQuery ML
• Avaliar o modelo do BigQuery ML
• Exportar o modelo do BigQuery ML como um modelo de nuvem
• Fazer upload do modelo exportado como um recurso de "Modelo da Vertex AI".
• Os hiperparâmetros ajustam um modelo do BigQuery ML com o "Vertex AI Vizier".
• Registrar automaticamente um modelo do BigQuery ML no "Registro de modelo da Vertex AI".

Etapas do tutorial

• Treine um modelo que usa as medidas de flor como entrada para prever a classe da íris.
• Salve o modelo e o pré-processador serializado.
• Crie um servidor FastAPI para processar previsões e verificações de integridade.
• Crie um contêiner personalizado com artefatos de modelo.
• Fazer upload e implantar o contêiner personalizado no Endpoints da Vertex AI

Etapas do tutorial

• Criar um TrainingPipeline personalizado do Vertex AI para treinar um modelo.
• Treinar um modelo do TensorFlow
• Implantar o recurso modelo em um recurso de endpoint em veiculação.
• Fazer uma previsão.
• Desfazer a implantação do recurso modelo

Etapas do tutorial

• Criar um job personalizado da Vertex AI para treinar um modelo.
• Treinar e registrar um modelo do TensorFlow usando um contêiner personalizado.
• Liste o modelo registrado no Vertex AI Model Registry.

Etapas do tutorial

• Criar uma conta de serviço e um bucket do Cloud Storage
• Criar uma instância do TensorBoard da Vertex AI
• Criar e executar um job de treinamento personalizado
• Acesse o painel do Vertex AI TensorBoard Profiler

Etapas do tutorial

• Treinamento usando um pacote Python.
• Gerar relatórios de precisão ao ajustar hiperparâmetros.
• Salve os artefatos do modelo no Cloud Storage usando o Cloud StorageFuse.
• Crie um recurso "Modelo da Vertex AI".

Etapas do tutorial

• Fazer o upload de um modelo de classificação de imagem pré-treinado como um recurso "Modelo" (modelo A).
• Fazer upload de um modelo de codificador de sentença de texto pré-treinado como um recurso "Modelo" (modelo B).
• Crie um pool de recursos de implantação de VM compartilhada.
• Listar pools de recursos de implantação de VM compartilhada.
• Criar dois recursos de "Endpoint".
• Implantar o primeiro modelo (modelo A) no primeiro recurso "Endpoint" usando o pool de recursos de implantação.
• Implantar o segundo modelo (modelo B) no segundo recurso de endpoint usando o pool de recursos de implantação.
• Faça uma solicitação de previsão com o primeiro modelo implantado (modelo A).
• Faça uma solicitação de previsão com o segundo modelo implantado (modelo B).

Etapas do tutorial

• Criar um job personalizado da "Vertex AI" para treinar um modelo do TensorFlow.
• Faça upload dos artefatos do modelo treinado como um recurso "Modelo".
• Fazer uma previsão em lote.

Etapas do tutorial

• Criar um job personalizado da "Vertex AI" para treinar um modelo do TensorFlow.
• Fazer upload dos artefatos do modelo treinado em um recurso "Modelo".
• Criar um recurso de "endpoint" em exibição.
• Implantar o recurso modelo em um recurso de endpoint em veiculação.
• Fazer uma previsão.
• Desfazer a implantação do recurso modelo

Etapas do tutorial

• Criar um recurso "Conjunto de dados" da Vertex AI da tabela "BigQuery" compatível com treinamento do "AutoML".
• Extraia uma cópia do conjunto de dados do "BigQuery" para um arquivo CSV no Cloud Storage compatível com "AutoML" ou treinamento personalizado.
• Selecione linhas de um conjunto de dados do BigQuery em um dataframe pandas compatível com treinamento personalizado.
• Selecione linhas de um conjunto de dados do "BigQuery" em um "tf.data.Dataset" compatível com modelos de treinamento personalizados do "TensorFlow".
• Selecione linhas de arquivos CSV extraídos em um "tf.data.Dataset" compatível com modelos de treinamento personalizados do "TensorFlow".
• Criar um conjunto de dados do BigQuery a partir de arquivos CSV.
• Extraia dados da tabela "BigQuery" em um "DMatrix" compatível com modelos de treinamento personalizados do "XGBoost".

Etapas do tutorial

• Criar um pool de especialistas para rotuladores de dados.
• Criar um job de rotulagem de dados
• Envie o job de rotulagem de dados.
• Listar jobs de rotulagem de dados.
• Criar um job de rotulagem de dados.

Etapas do tutorial

• Executar módulo para pré-processamento de dados
• Criar um artefato de conjunto de dados
• Parâmetros de registro
• Executar módulo para treinar o modelo
• Parâmetros de registro
• Criar artefato do modelo
• Atribuir linhagem de rastreamento a conjuntos de dados, modelos e parâmetros

Etapas do tutorial

• Registrar os parâmetros do modelo
• registrar a perda e as métricas em cada época no Vertex AI TensorBoard.
• Registrar as métricas de avaliação

Etapas do tutorial

• Formalizar um componente de treinamento
• Criar um pipeline de treinamento
• Executar vários jobs de pipeline e registrar os resultados
• Comparar diferentes jobs de pipeline

Etapas do tutorial

• Como excluir a experiência de TB com um par de rótulo de chave-valor predefinido <label_key, label_value=""></label_key,>
• Como excluir os experimentos de TB criados antes do parâmetro create_time
• Como excluir os experimentos de TB criados antes do parâmetro "update_time"

Etapas do tutorial

• Formalizar a experiência do modelo em um script
• Executar treinamento de modelo usando o script local no treinamento da Vertex AI
• Confira os parâmetros e métricas do experimento de ML no Vertex AI Experiments

Etapas do tutorial

• Treinamento local (notebook)
• Criar um experimento
• Criar a primeira execução do experimento
• Parâmetros e métricas de registro
• Criar linhagem de artefato
• Visualizar os resultados do experimento
• Executar uma segunda execução
• Comparar as duas execuções no experimento
• Treinamento do Cloud (Vertex AI)
• No script de treinamento

Etapas do tutorial

• Ative a geração automática de registros no SDK da Vertex AI.
• Treine o modelo scikitlearn e veja o experimento resultante executado com métricas e parâmetros registrados automaticamente na Vertex AI Experiments sem definir uma execução do experimento.
• Treine o modelo do TensorFlow, verifique as métricas e os parâmetros registrados automaticamente para os experimentos da Vertex AI definindo manualmente uma execução de experimento com aiplatform.start_run()` e `aiplatform.end_run().
• Desative a geração automática de registros no SDK da Vertex AI, treine um modelo do PyTorch e verifique se nenhum dos parâmetros ou métricas está registrado.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar um modelo de classificação tabular do AutoML.
• Veja as métricas de avaliação do modelo treinado.
• Fazer uma solicitação de previsão em lote com explicabilidade.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar um modelo de classificação tabular do AutoML.
• Veja as métricas de avaliação do modelo treinado.
• Criar um recurso de "endpoint" em exibição.
• Implantar o recurso modelo em um recurso de endpoint em veiculação.
• Fazer uma solicitação de previsão on-line com explicabilidade.
• Desfazer a implantação do recurso modelo

Etapas do tutorial

• Criar um job personalizado da "Vertex AI" para treinar um modelo do TensorFlow.
• Veja a avaliação do modelo treinado.
• Defina os parâmetros de explicação para quando o modelo for implantado.
• Fazer upload dos artefatos do modelo treinado e dos parâmetros de explicação como um recurso "Modelo".
• Fazer uma previsão em lote com explicações.

Etapas do tutorial

• Criar um job personalizado da "Vertex AI" para treinar um modelo do TensorFlow.
• Veja a avaliação do modelo treinado.
• Defina os parâmetros de explicação para quando o modelo for implantado.
• Fazer upload dos artefatos do modelo treinados e das explicações como um recurso "Modelo".
• Criar um recurso de "endpoint" em exibição.
• Implantar o recurso modelo em um recurso de endpoint em veiculação.
• Fazer uma previsão com explicação
• Desfazer a implantação do recurso modelo

Etapas do tutorial

• Criar um job personalizado da "Vertex AI" para treinar um modelo do TensorFlow.
• Veja a avaliação do modelo treinado.
• Defina os parâmetros de explicação para quando o modelo for implantado.
• Fazer upload dos artefatos do modelo treinados e das explicações como um recurso "Modelo".
• Fazer uma previsão em lote com explicações.

Etapas do tutorial

• Criar um job personalizado da "Vertex AI" para treinar um modelo do TensorFlow.
• Veja a avaliação do modelo treinado.
• Defina os parâmetros de explicação para quando o modelo for implantado.
• Fazer upload dos artefatos do modelo treinados e das explicações como um recurso "Modelo".
• Criar um recurso de "endpoint" em exibição.
• Implantar o recurso modelo em um recurso de endpoint em veiculação.
• Fazer uma previsão com explicação
• Desfazer a implantação do recurso modelo

Etapas do tutorial

• Criar um job personalizado da Vertex para treinar um modelo
• Treinar um modelo do TensorFlow
• Recuperar e carregar os artefatos do modelo
• Visualizar o modelo de avaliação
• Definir parâmetros de explicação
• Fazer upload do modelo Model como um recurso da Vertex AI.
• Implantar o recurso modelo em um recurso de endpoint em veiculação.
• Fazer uma previsão com explicação
• Desfazer a implantação do recurso modelo

Etapas do tutorial

• Fazer o download de um modelo pré-treinado do TensorFlow Hub
• Fazer upload do modelo para implantação
• Implantar o modelo para previsão on-line
• Fazer uma previsão on-line com explicações
• Fazer previsões em lote com explicações

Etapas do tutorial

• Criar e treinar um modelo de classificação de texto do TensorFlow
• Fazer upload do modelo para implantação
• Implantar o modelo para previsão on-line
• Fazer uma previsão on-line com explicações

Etapas do tutorial

• Criar um featurestore.
• Criar um novo tipo de entidade para seu featurestore.
• Importar valores de atributos do DataFrame do Pandas para o tipo de entidade no featurestore.

Etapas do tutorial

• Provisionar uma instância de Feature Store on-line para hospedar e exibir dados.
• Registrar uma visualização do BigQuery com a instância do Feature Store on-line e configurar o job de sincronização.
• Usar o servidor on-line para buscar valores de atributos para previsão on-line.

Etapas do tutorial

• Provisione uma instância do Feature Store on-line para hospedar e veicular os dados usando a exibição on-line otimizada com o endpoint público ou privado.
• Registrar uma visualização do BigQuery com a instância do Feature Store on-line e configurar o job de sincronização.
• Usar o servidor on-line para buscar valores de atributos para previsão on-line.

Etapas do tutorial

• Provisionar uma instância de Feature Store on-line para hospedar e exibir dados.
• Criar uma instância de Feature Store on-line para disponibilizar uma tabela do BigQuery.
• Usar o servidor on-line para pesquisar vizinhos mais próximos.

Etapas do tutorial

• Criar Featurestore, EntityType e recursos de atributos.
• Importar valores de atributos do DataFrame do Pandas para o tipo de entidade.
• Ler os valores de atributos de entidade do Online Feature Store no Pandas DataFrame.
• Exibir em lote valores de atributo do Feature Store para o DataFrame do Pandas.
• Exibição on-line com valores de recurso atualizados.
• Correção pontual para buscar valores de atributos para treinamento.

Etapas do tutorial

• Criar Featurestore, EntityType e recursos de atributos.
• Importar dados de atributos para o recurso Featurestore.
• Exibir solicitações de previsão on-line usando os atributos importados
• Acessar atributos importados em jobs off-line, como os de treinamento
• Usar a importação de streaming para importar uma pequena quantidade de dados.

Etapas do tutorial

• Criar um job do Vertex AI Pipelines usando um modelo predefinido para inferência em massa.
• Executar o pipeline usando o "Vertex AI Pipelines".
• Produza resultados de previsão em um modelo para um determinado conjunto de dados.

Etapas do tutorial

• Definir o número de etapas de ajuste do modelo.
• Criar um job do Vertex AI Pipelines usando um modelo predefinido para ajustes
• Executar o pipeline usando o "Vertex AI Pipelines".
• Realizar previsão on-line com o modelo ajustado.

Etapas do tutorial

• Instalação e importações
• Criar conjunto de dados de embedding
• Criar um índice
• consultar o índice

Etapas do tutorial

• Instalação e importações
• Gerar embeddings

Etapas do tutorial

• Acessar o modelo LLM da Vertex AI.
• Ajustar o modelo.
• Isso cria automaticamente um endpoint da Vertex AI e implanta o modelo nele.
• Fazer uma previsão usando o LLM da Vertex AI.
• Fazer uma previsão usando o Vertex AI Prediction

Etapas do tutorial

• Use os endpoints de previsão da API Vertex AI PaLM para receber respostas da IA generativa a uma mensagem.
• Use o endpoint de incorporação de texto para receber uma representação vetorial de uma mensagem.
• Fazer o ajuste de prompts de um LLM com base em dados de treinamento de entrada/saída.

Etapas do tutorial

• Converter um conjunto de dados de imagens em embeddings
• Criar um índice
• Fazer upload de embeddings no índice
• Criar um endpoint de índice
• Implantar o índice no endpoint do índice
• Fazer uma consulta on-line

Etapas do tutorial

• Criar índice de ANN
• Criar um endpoint do índice com rede VPC
• Implantar índice ANN
• Executar consulta on-line

Etapas do tutorial

• Converter um conjunto de dados do BigQuery em embeddings
• Criar um índice
• Fazer upload de embeddings no índice
• Criar um endpoint de índice
• Implantar o índice no endpoint do índice
• Fazer uma consulta on-line

Etapas do tutorial

• Criar índice ANN e índice de força bruta
• Criar um IndexEndpoint com rede VPC
• Implantar o índice de ANN e o índice de força bruta
• Executar consulta on-line
• Recall do Compute

Etapas do tutorial

• Treinar um modelo de classificação de imagens do AutoML.
• Fazer uma previsão em lote.
• Implantar o modelo em um endpoint
• Fazer uma previsão on-line

Etapas do tutorial

• Treinar um modelo de detecção de objetos do AutoML.
• Fazer uma previsão em lote.
• Implantar o modelo em um endpoint
• Fazer uma previsão on-line

Etapas do tutorial

• Treinar um modelo de rastreamento de objetos de vídeo do AutoML.
• Fazer uma previsão em lote.

Etapas do tutorial

• Criar um recurso "Vertex AI Dataset".
• Treinar o modelo.
• Visualizar o modelo de avaliação
• Implantar o recurso modelo em um recurso de endpoint em veiculação.
• Fazer uma previsão.
• Remover a implantação do modelo

Etapas do tutorial

• Defina o nome da tarefa e o prefixo do Cloud Storage
• Copiar os dados de treinamento da demonstração de texto do AutoML para criar um conjunto de dados gerenciado
• Criar um conjunto de dados na Vertex AI.
• Configurar um job de treinamento
• Lançar um job de treinamento e criar um modelo na Vertex AI
• Copiar dados do AutoML Text Demo Prediction para criar um job de previsão em lote
• Executar o job de previsão em lote no modelo

Etapas do tutorial

• Defina o nome da tarefa e o prefixo do Cloud Storage
• Copiar os dados de treinamento da demonstração em vídeo do AutoML para criar um conjunto de dados gerenciado
• Criar um conjunto de dados na Vertex AI.
• Configurar um job de treinamento
• Lançar um job de treinamento e criar um modelo na Vertex AI
• Copiar dados de previsão de demonstração do AutoML para criar um job de previsão em lote
• Executar o job de previsão em lote no modelo

Etapas do tutorial

• Copiar os dados de treinamento da demonstração em vídeo do AutoML para criar um conjunto de dados gerenciado
• Criar um conjunto de dados na Vertex AI.
• Configurar um job de treinamento
• Lançar um job de treinamento e criar um modelo na Vertex AI
• Copiar dados de previsão de demonstração do AutoML para criar um job de previsão em lote
• Executar o job de previsão em lote no modelo

Etapas do tutorial

• Treinar um modelo de classificação de vídeos do AutoML.
• Fazer uma previsão em lote.

Etapas do tutorial

• Empacotar o código de treinamento em um aplicativo Python.
• Conteinerizar o aplicativo de treinamento usando o Cloud Build e o Artifact Registry.
• Criar e executar um job de treinamento de contêiner personalizado na Vertex AI.
• Avaliar o modelo gerado com base no job de treinamento.
• Criar um recurso de modelo para o modelo treinado no Vertex AI Model Registry
• Executar um job de previsão em lote da Vertex AI.
• Implantar o recurso de modelo em um endpoint da Vertex AI.
• Executar um job de previsão on-line no recurso do modelo
• Limpar os recursos criados.

Etapas do tutorial

• Empacotar o código de treinamento em um aplicativo Python.
• Conteinerizar o aplicativo de treinamento usando o Cloud Build e o Artifact Registry.
• Criar e executar um job de treinamento de contêiner personalizado na Vertex AI.
• Avaliar o modelo gerado com base no job de treinamento.
• Criar um recurso de modelo para o modelo treinado no Vertex AI Model Registry
• Executar um job de previsão em lote da Vertex AI.
• Implantar o recurso de modelo em um endpoint da Vertex AI.
• Executar um job de previsão on-line no recurso do modelo
• Limpar os recursos criados.

Etapas do tutorial

• Criar um job personalizado da "Vertex AI" para treinar um modelo do scikitlearn.
• Faça upload dos artefatos do modelo treinado como um recurso "Modelo".
• Fazer uma previsão em lote.
• Implantar o modelo em um endpoint
• Fazer uma previsão on-line

Etapas do tutorial

• Criar um job personalizado da "Vertex AI" para treinar um modelo do scikitlearn.
• Faça upload dos artefatos do modelo treinado como um recurso "Modelo".
• Fazer uma previsão em lote.
• Implantar o modelo em um endpoint
• Fazer uma previsão on-line

Etapas do tutorial

• Criar um job de ajuste de hiperparâmetros da Vertex AI para treinar um modelo do TensorFlow.

Etapas do tutorial

• criar um repositório particular do Docker;
• Incluir tags em uma imagem de contêiner específica para o repositório particular do Docker.
• Enviar uma imagem de contêiner para o repositório particular do Docker.
• Extrair uma imagem de contêiner do repositório particular do Docker.
• Excluir um repositório particular do Docker.

Etapas do tutorial

• Rastreie parâmetros de treinamento e métricas de previsão para um job de treinamento personalizado.
• Extrair e realizar análises para todos os parâmetros e métricas em um experimento.

Etapas do tutorial

• Rastreie parâmetros e métricas para um modelo treinado localmente.
• Extrair e realizar análises para todos os parâmetros e métricas em um experimento.

Etapas do tutorial

• Usar o SDK do Kubeflow Pipelines para criar um pipeline de ML que é executado na Vertex AI
• O pipeline cria um conjunto de dados, treina um modelo do scikitlearn e o implanta em um endpoint
• Gravar componentes de pipeline personalizados que geram artefatos e metadados
• Comparar as execuções do Vertex AI Pipelines no Console do Cloud e de maneira programática
• Rastrear a linhagem para artefatos gerados por pipeline
• Consultar os metadados de execução do pipeline

Etapas do tutorial

• Criar um conjunto de dados da Vertex AI
• Treinar um modelo de classificação tabular do Automl no recurso "Conjunto de dados".
• Importar o recurso de modelo do AutoML treinado para o pipeline.
• Executar um job de "Previsão em lote".
• Avaliar o modelo do AutoML usando o componente de avaliação de classificação.
• Importar as métricas de classificação para o recurso de modelo do AutoML.

Etapas do tutorial

• Crie um conjunto de dados da Vertex AI.
• Configurar um "AutoMLTabularTrainingJob".
• Executar o "AutoMLTabularTrainingJob", que retorna um modelo.
• Importar um "recurso de modelo do AutoML" pré-treinado para o pipeline.
• Executar um job de previsão em lote no pipeline.
• Avaliar o modelo do AutoML usando o "componente de avaliação de regressão".
• Importar as métricas de regressão para o recurso de modelo do AutoML

Etapas do tutorial

• Criar um conjunto de dados da Vertex AI
• Treinar um modelo de classificação textual do Automl no recurso "Conjunto de dados".
• Importar o recurso de modelo do AutoML treinado para o pipeline.
• Executar um job de "Previsão em lote".
• Avaliar o modelo do AutoML usando o componente de avaliação de classificação.
• Importar as métricas de avaliação para o recurso de modelo do AutoML.

Etapas do tutorial

• Criar um conjunto de dados da Vertex AI
• Treinar um modelo de classificação de vídeo do Automl no recurso "Conjunto de dados do Vertex AI".
• Importar o recurso de modelo da AutoML Vertex AI treinado para o pipeline.
• Executar um job de previsão em lote dentro do pipeline;
• Avaliar o modelo do AutoML usando o componente de avaliação de classificação.
• Importar as métricas de classificação para o recurso de modelo da AutoML Vertex AI.

Etapas do tutorial

• Busque o conjunto de dados na origem pública.
• Pré-processar os dados localmente e salvar os dados de teste no BigQuery
• Treinar localmente um modelo de classificação de RandomForest usando o pacote Python do scikitlearn
• Crie um contêiner personalizado no Artifact Registry para previsões.
• Fazer upload do modelo para o Vertex AI Model Registry
• Criar e executar um pipeline da Vertex AI

Etapas do tutorial

• Criar um Vertex AI `CustomTrainingJob` para treinar um modelo.
• Executar o "CustomTrainingJob".
• Recuperar e carregar os artefatos do modelo
• Visualizar o modelo de avaliação
• Fazer upload do modelo Model como um recurso da Vertex AI.
• Importar um recurso de modelo da Vertex AI pré-treinado para o pipeline.
• Executar um job de previsão em lote no pipeline.
• Avaliar o modelo usando o "componente de avaliação de regressão".
• Importar as métricas de regressão para o recurso de modelo da Vertex AI

Etapas do tutorial

• Importar um modelo pré-treinado (abençoado) para o Vertex AI Model Registry
• Criar uma avaliação de modelo personalizado
• Importar as métricas de avaliação do modelo para o modelo correspondente no Vertex AI Model Registry.
• Liste a avaliação do modelo correspondente no Vertex AI Model Registry.
• Crie uma segunda avaliação do modelo personalizado.
• Importar as métricas de avaliação do segundo modelo para o modelo correspondente no Vertex AI Model Registry.
• Listar a segunda avaliação do modelo correspondente no Vertex AI Model Registry.

Etapas do tutorial

• Fazer upload de um modelo pré-treinado como um recurso de modelo da Vertex AI.
• Gere solicitações de previsão em lote.
• Interpretar as estatísticas, visualizações e outros dados informados pelo recurso de monitoramento do modelo.

Etapas do tutorial

• Treinar um modelo do AutoML.
• Implantar o recurso "Modelo" no recurso "Endpoint".
• Configurar o recurso "Endpoint" para monitoramento de modelos.
• Gerar solicitações de previsão sintéticas para desvio.
• Gere solicitações de previsão sintéticas para deslocamento.
• Aguarde a notificação de alerta por e-mail.

Etapas do tutorial

• 1. Treinar um modelo de classificação de imagens do AutoML.
• 2. Envie uma previsão em lote contendo imagens de distribuição de entrada e saída.
• 3. Use o monitoramento de modelos para calcular a pontuação de anomalia em cada imagem.
• 4. Identifique as imagens na solicitação de previsão em lote que estão fora da distribuição.

Etapas do tutorial

• 1. Treinar um modelo de classificação de imagens do AutoML.
• 2. Crie um endpoint
• 3. Implante o modelo no endpoint e configure para monitoramento de modelos.
• 4. Envie uma previsão on-line contendo imagens de distribuição de entrada e saída.
• 5. Use o monitoramento de modelos para calcular a pontuação de anomalia em cada imagem.
• 6. Identifique as imagens na solicitação de previsão on-line que estão fora da distribuição.

Etapas do tutorial

• Fazer o download de um modelo tabular personalizado e pré-treinado.
• Fazer upload do modelo pré-treinado como um recurso "Modelo".
• Implantar o recurso "Modelo" no recurso "Endpoint".
• Configurar o recurso "Endpoint" para monitoramento de modelos.
• Gerar solicitações de previsão sintéticas para desvio.
• Aguarde a notificação de alerta por e-mail.
• Gere solicitações de previsão sintéticas para deslocamento.
• Aguarde a notificação de alerta por e-mail.

Etapas do tutorial

• Fazer o download de um modelo tabular personalizado e pré-treinado.
• Fazer upload do modelo pré-treinado como um recurso "Modelo".
• Implantar o recurso "Modelo" em um recurso "Endpoint" com o binário de exibição "TensorFlow Serving".
• Configurar o recurso "Endpoint" para monitoramento de modelos.
• Gerar solicitações de previsão sintéticas para desvio.
• Aguarde a notificação de alerta por e-mail.
• Gere solicitações de previsão sintéticas para deslocamento.
• Aguarde a notificação de alerta por e-mail.

Etapas do tutorial

• Fazer o download de um modelo tabular personalizado e pré-treinado.
• Fazer upload do modelo pré-treinado como um recurso "Modelo".
• Implantar o recurso "Modelo" no recurso "Endpoint".
• Configurar o recurso "Endpoint" para monitoramento de modelos.
• Detecção de desvio e deslocamento de entradas de atributos.
• Detecção de desvio e deslocamento de atribuições de recursos.
• Geração automática do "esquema de entrada" enviando 1.000 solicitações de previsão.
• Liste, pause, retome e exclua jobs de monitoramento.
• Reiniciar o job de monitoramento com um "esquema de entrada" predefinido.
• Ver dados monitorados registrados.

Etapas do tutorial

• Fazer o download de um modelo XGBoost pré-treinado.
• Fazer upload do modelo pré-treinado como um recurso "Modelo".
• Implantar o recurso "Modelo" no recurso "Endpoint".
• Configurar o recurso "Endpoint" para monitoramento de modelos.

Etapas do tutorial

• Fazer upload de um modelo pré-treinado como um recurso de modelo da Vertex AI.
• Criar um recurso de "endpoint da Vertex AI".
• Implantar o recurso "Modelo" no recurso "Endpoint".
• Configurar o recurso "Endpoint" para monitoramento de modelos.
• Inicializar a distribuição do valor de referência para monitoramento do modelo.
• Gere solicitações de previsão sintéticas.
• Entenda como interpretar as estatísticas, visualizações e outros dados informados pelo recurso de monitoramento de modelos.

Etapas do tutorial

• Criar e registrar uma primeira versão de um modelo no Registro de modelos da Vertex AI.
• Crie e registre uma segunda versão de um modelo no Registro de modelos da Vertex AI.
• Atualizar a versão do modelo, que é o padrão (abençoado).
• Como excluir uma versão de modelo.
• Novo treinamento da próxima versão de modelo.

Etapas do tutorial

• Criar um pipeline KFP

Etapas do tutorial

• Importar um modelo pré-treinado (abençoado) para o Vertex AI Model Registry
• Importe métricas de avaliação de modelos sintéticos para o modelo (abençoado) correspondente.
• Criar um recurso de "Vertex AI Endpoint".
• Implantar o modelo abençoado no recurso "Endpoint".
• Criar um pipeline da Vertex AI
• Receba o modelo abençoado.
• Importe outra instância (desafiador) do modelo pré-treinado.
• Registre o modelo pré-treinado (desafiador) como uma nova versão do modelo abençoado existente.
• Criar uma avaliação de modelo sintético.
• Importe as métricas de avaliação do modelo sintético para o modelo de desafio correspondente.
• Compare as avaliações e defina a bênção ou o desafio como padrão.
• Implante o novo modelo abençoado.

Etapas do tutorial

• Criar um pipeline KFP

Etapas do tutorial

• Criar um pipeline KFP

Etapas do tutorial

• Criar um conjunto de dados no BigQuery
• Definir alguns dados além do conjunto de origem para previsão em lote.
• Criar um pacote Python personalizado para o aplicativo de treinamento
• Fazer upload do pacote Python para o Cloud Storage
• Criar um Vertex AI Pipelines que

Etapas do tutorial

• Crie um pipeline para

Etapas do tutorial

• Crie um componente personalizado com um job de treinamento autônomo.
• Executar o pipeline usando configurações no nível do componente para recursos de máquina
• Converter o componente de treinamento autônomo em um "JobJob da Vertex AI".
• Executar o pipeline usando configurações personalizadas de nível de job para recursos de máquina

Etapas do tutorial

• Criar um pipeline KFP

Etapas do tutorial

• Criar um pipeline KFP

Etapas do tutorial

• Criar um pipeline KFP

Etapas do tutorial

• Como criar um componente para um job do Dataflow que ingere dados no BigQuery.
• Criar um componente para etapas de pré-processamento a serem executadas nos dados no BigQuery
• Criar um componente para treinar um modelo de regressão logística usando o BigQuery ML.
• Criar e configurar um pipeline de DSL do Kubeflow com todos os componentes criados.
• Como compilar e executar o pipeline no Vertex AI Pipelines

Etapas do tutorial

• Criar um pipeline KFP

Etapas do tutorial

• Fazer upload de um modelo pré-treinado como um recurso "Modelo".
• Executar um "BatchPredictionJob" no recurso "Model" com dados de informações empíricas.
• Gerar artefato "Metrics" de avaliação sobre o recurso "Model".
• Comparar as métricas de avaliação a um limite.

Etapas do tutorial

• Criar um pipeline KFP

Etapas do tutorial

• Criar componentes KFP baseados em função do Python.
• Criar um pipeline KFP
• Transmita artefatos e parâmetros entre componentes, tanto por referência do caminho quanto por valor.
• Usar o método "kfp.dsl.importer".
• Compile o pipeline KFP.
• Executar o pipeline KFP usando o "Vertex AI Pipelines".

Etapas do tutorial

• Criar componentes KFP

Etapas do tutorial

• Importar um modelo pré-treinado (campeão) para o Vertex AI Model Registry.
• Importe métricas de avaliação de treinamento de modelo sintético para o modelo correspondente (campeão).
• Criar um recurso de "Vertex AI Endpoint".
• Implantar o modelo campeão no recurso "Endpoint".
• Importe versões adicionais (conterentes) do modelo implantado.
• Importar métricas de avaliação de treinamento de modelos sintéticos para os modelos correspondentes (conferenciadores).
• Criar um pipeline da Vertex AI
• Receba o modelo do campeão.
• (Falso) Modelo de ajuste fino com dados de produção
• Importe métricas sintéticas de treinamento + produção para o modelo campeão.
• Confira os modelos de contendores.
• (Falso) Ajuste o modelo de contendor com dados de produção
• Importe métricas sintéticas de treinamento+produção para o modesl dos contenders.
• Compare as avaliações dos candidatos ao campeão e defina o novo campeão como padrão.
• Implantar o novo modelo de campeão.

Etapas do tutorial

• Definir e compilar um pipeline da Vertex AI.
• Especifique a conta de serviço a ser usada para uma execução do pipeline.

Etapas do tutorial

• Criar um conjunto de dados de treinamento do BigQuery e da Vertex AI
• Como treinar um modelo do BigQuery ML e do AutoML
• Extração de métricas de avaliação dos modelos BigQueryML e AutoML.
• Selecionar o modelo mais bem treinado.
• Implantar o melhor modelo treinado.
• Como testar a infraestrutura do modelo implantado.

Etapas do tutorial

• Criar um TrainingPipeline personalizado do Vertex AI para treinar um modelo.
• Treinar um modelo do TensorFlow
• Enviar job de previsão em lote.

Etapas do tutorial

• Faça o download dos artefatos de modelo no TensorFlow Hub.
• Crie o arquivo de configuração de exibição do Triton para o modelo.
• Construa um contêiner personalizado, com a imagem de exibição do Triton, para a implantação do modelo.
• Fazer upload do modelo Model como um recurso da Vertex AI.
• Implante o recurso "Vertex AI Model" em um recurso "Vertex AI Endpoint".
• Fazer uma solicitação de previsão
• Cancelar a implantação do recurso Modelo e excluir o endpoint

Etapas do tutorial

• Fazer o download de artefatos do modelo de classificação tabular pré-treinados para um estimador do TensorFlow 1.x.
• Fazer upload do modelo Estimator do TensorFlow como um recurso do Vertex AI Model.
• Crie um recurso "Endpoint"
• Implantar o recurso "Modelo" no recurso "Endpoint".
• Faça uma previsão bruta on-line na instância de recurso do modelo implantada no recurso do endpoint.

Etapas do tutorial

• Faça o download de um modelo de classificação de imagens pré-treinado no TensorFlow Hub.
• Crie uma função de disponibilização para receber dados de imagem compactados e gere dados pré-processados descompactados para a entrada do modelo.
• Fazer upload do modelo do TensorFlow Hub e da função de disponibilização como um recurso do modelo da Vertex AI.
• Criação de um recurso de endpoint.
• Implantar o recurso "Modelo" em um recurso "Endpoint" com o binário de exibição "TensorFlow Serving".
• Fazer uma previsão on-line na instância de recurso do modelo implantada no recurso do endpoint.
• Fazer uma previsão em lote para a instância de recurso Model.

Etapas do tutorial

• Como criar um recurso de endpoint particular.
• Configurar uma conexão de peering de VPC.
• Configurar o binário de exibição de um recurso de modelo para implantação em um recurso de endpoint particular.
• Como implantar um recurso de modelo em um recurso de endpoint particular.
• Enviar uma solicitação de previsão a um endpoint particular.

Etapas do tutorial

• Carregar um modelo de geração de texto pré-treinado.
• Fazer uma previsão sem streaming
• Carregar um modelo de geração de texto pré-treinado, compatível com streaming.
• Fazer uma previsão de streaming
• Carregar um modelo de chat pré-treinado.
• Fazer uma sessão de chat interativo local.
• Fazer uma previsão em lote com um modelo de geração de texto.
• Fazer uma previsão em lote com um modelo de embedding de texto.

Etapas do tutorial

• Fazer o download de um modelo de imagem pré-treinado do PyTorch
• Criar um gerenciador de modelos personalizado
• Empacotar artefatos de modelo em um arquivo de modelo
• Fazer upload do modelo para implantação
• Implantar modelo para previsão
• Fazer previsões on-line
• Fazer previsões em lote

Etapas do tutorial

• Empacotar o aplicativo de treinamento em uma distribuição de origem do Python
• Configurar e executar o job de treinamento em um contêiner pré-criado
• Empacotar artefatos de modelo em um arquivo de modelo
• Fazer upload do modelo para implantação
• Implantar o modelo usando um contêiner pré-criado para previsão
• Fazer previsões on-line

Etapas do tutorial

• Criar um aplicativo de treinamento distribuído do PyTorch
• Empacotar o aplicativo de treinamento com contêineres pré-criados
• Criar um job personalizado na Vertex AI com o servidor de redução
• Enviar e monitorar o job

Etapas do tutorial

• Defina o nome da tarefa e o prefixo do Cloud Storage
• Copiar os dados de treinamento da demonstração em vídeo do AutoML para criar um conjunto de dados gerenciado
• Criar um conjunto de dados na Vertex AI.
• Configurar um job de treinamento
• Lançar um job de treinamento e criar um modelo na Vertex AI
• Copiar dados de previsão de demonstração do AutoML para criar um job de previsão em lote
• Executar o job de previsão em lote no modelo

Etapas do tutorial

• Criar funções utilitárias para fazer o download de dados e preparar arquivos csv para criar um conjunto de dados gerenciado da Vertex AI
• Fazer o download dos dados
• Preparar arquivos CSV para criar um conjunto de dados gerenciado
• Criar pacote personalizado de treinamento do Python
• Criar contêiner de exibição do TensorFlow
• Executar treinamento personalizado de pacotes Python com um conjunto de dados gerenciado de texto
• Implantar um modelo e criar um endpoint na Vertex AI
• Previsão no endpoint
• Criar um job de previsão em lote no modelo

Etapas do tutorial

• Configure o projeto.
• Fazer o download dos dados de previsão do modelo de pré-treino em dados de Syn2.
• Visualize e entenda a importância do atributo com base na saída das máscaras.
• Limpar os recursos criados por este tutorial.

Etapas do tutorial

• Consiga os dados de treinamento.
• Configure os parâmetros de treinamento do contêiner "Vertex AI TabNet".
• Treine o modelo usando o "Vertex AI Training" usando dados CSV.
• Fazer upload do modelo Model como um recurso da Vertex AI.
• Implante o recurso "Vertex AI Model" em um recurso "Vertex AI Endpoint".
• Fazer uma previsão com o modelo implantado.
• Ajuste de hiperparâmetros para o modelo "Vertex AI TabNet".

Etapas do tutorial

• 1. Instalação

Etapas do tutorial

• 1. Treine os modelos profetas.
• 1. Veja as métricas de avaliação.
• 1. Fazer uma previsão em lote com os modelos do Profeta.

Etapas do tutorial

• Crie um Custom Job TabNet. Essa é a melhor opção se você souber quais hiperparâmetros usar no treinamento.
• Crie um HyperparameterTuningJob do TabNet. Isso permite que você tenha o melhor conjunto de hiperparâmetros para seu conjunto de dados.

Etapas do tutorial

• Crie um CustomJob profundo e amplo. Essa é a melhor opção se você souber quais hiperparâmetros usar no treinamento.
• Crie um HyperparameterTuningJob amplo e profundo. Isso permite que você tenha o melhor conjunto de hiperparâmetros para seu conjunto de dados.

Etapas do tutorial

• Criar repositório e configuração do docker.
• Crie uma imagem de contêiner personalizada com seu código de treinamento personalizado.
• Configurar a conta de serviço e os buckets do Google Cloud Storage.
• Crie e inicie o job de treinamento personalizado com o contêiner personalizado.

Etapas do tutorial

• Configurar a conta de serviço e os buckets do Google Cloud Storage.
• Escreva seu código de treinamento personalizado.
• Empacotar e fazer upload do código de treinamento para o Google Cloud Storage
• Crie e lance seu job de treinamento personalizado com o TensorBoard da Vertex AI ativado para monitoramento quase em tempo real.

Etapas do tutorial

• O TensorFlow é executado para registrar hiperparâmetros e métricas.
• Inicie as execuções e registre todas elas em um diretório pai.
• Visualize os resultados no painel HParams da Vertex AI TensorBoard.

Etapas do tutorial

• Criar uma conta de serviço e um bucket do Cloud Storage
• Criar uma instância do TensorBoard da Vertex AI
• Criar e executar um job de treinamento personalizado que ativa o criador de perfil do TensorBoard da Vertex AI
• Ver o painel do TensorBoard Profiler da Vertex AI para depurar o desempenho do treinamento de modelo

Etapas do tutorial

• Preparar seu código de treinamento personalizado e carregar o código de treinamento como um pacote Python em um contêiner pré-criado
• Criar e executar um job de treinamento personalizado que ativa o criador de perfil do TensorBoard da Vertex AI
• Ver o painel do TensorBoard Profiler da Vertex AI para depurar o desempenho do treinamento de modelo

Etapas do tutorial

• Configurar uma conta de serviço e buckets do Google Cloud Storage.
• Criar um pipeline KFP com o código de treinamento personalizado
• Compile e execute o pipeline KFP no Vertex AI Pipelines com o TensorBoard da Vertex AI ativado para monitoramento quase em tempo real.

Etapas do tutorial

• Treinamento usando um pacote Python.
• Gerar relatórios de precisão ao ajustar hiperparâmetros.
• Salve os artefatos do modelo no Cloud Storage usando o Cloud StorageFuse.

Etapas do tutorial

• Treinamento usando um pacote Python.
• Salve os artefatos do modelo no Cloud Storage usando o Cloud StorageFuse.
• Criar um servidor de previsão FastAPI.
• Crie uma imagem de implantação do Dockerfile.
• Testar a imagem de implantação localmente.
• Crie um recurso "Modelo da Vertex AI".

Etapas do tutorial

• MirroredStrategy

Etapas do tutorial

• Modificar o código do aplicativo de treinamento para ajuste do hiperparâmetro.
• Faça a conteinerização do código do aplicativo de treinamento
• Configurar e iniciar um job de ajuste de hiperparâmetros com o SDK da Vertex AI para Python

Etapas do tutorial

• Treinamento usando um pacote Python.
• Gerar relatórios de precisão ao ajustar hiperparâmetros.
• Salve os artefatos do modelo no Cloud Storage usando o Cloud StorageFuse.
• Crie um recurso "Modelo da Vertex AI".

Etapas do tutorial

• Como configurar seu projeto do Google Cloud

Etapas do tutorial

• Como criar um contêiner personalizado usando o Artifact Registry e o Docker
• Criar uma instância do TensorBoard da Vertex AI para armazenar o experimento dela
• Executar um CustomContainerTrainingJob do SDK da Vertex AI

Etapas do tutorial

• Crie um pacote de treinamento para o modelo de classificação textual.
• Treinar o modelo com treinamento personalizado na Vertex AI.
• Verifique os artefatos do modelo criados.
• Criar um contêiner personalizado para previsões.
• Implantar o modelo treinado em um endpoint da Vertex AI usando o contêiner personalizado para previsões
• Enviar solicitações de previsão on-line para o modelo implantado e validar.
• Limpar os recursos criados neste notebook.

Etapas do tutorial

• Escreva um script de treinamento personalizado que crie seus conjuntos de dados para treinar e testar e treine o modelo.
• Executar um "CustomTrainingJob" do SDK da Vertex AI.

Etapas do tutorial

• Crie um script de shell para iniciar um cluster de ETCD no nó mestre
• Criar um script de treinamento usando o código do repositório do GitHub do PyTorch Elastic
• Criar contêineres que fazem o download dos dados e iniciar um cluster de ETCD no host
• Treinar o modelo usando vários nós com GPUs

Etapas do tutorial

• Configurar as variáveis "PROJECT_ID" e "REGION" para seu projeto do Google Cloud
• Crie um bucket do Cloud Storage para armazenar os artefatos do modelo.
• Crie um contêiner personalizado do Docker que hospede seu código de treinamento e envie a imagem do contêiner para o Artifact Registry.
• Executar um CustomContainerTrainingJob do SDK da Vertex AI

Etapas do tutorial

Etapas do tutorial

• Ajuste de hiperparâmetros com algoritmo aleatório.
• Ajuste de hiperparâmetros com o algoritmo Vizier (bayesiano).
• Sugestão de testes e atualização de resultados para o estudo do Vizier

Etapas do tutorial

• Buscar os dados necessários do BigQuery
• Pré-processar os dados
• Treinar um modelo de classificação do TensorFlow (>=2,4)
• Avaliar a perda do modelo treinado
• Automatizar a execução do notebook usando o recurso de execução
• Salvar o modelo em um caminho do Cloud Storage
• Limpar os recursos criados

Etapas do tutorial

• Carregar o conjunto de dados usando o BigQuery no Notebooks.
• Fazer análises de dados exploratórias no conjunto de dados
• Seleção de atributos e pré-processamento.
• Criar um modelo de regressão linear usando o scikitlearn
• Como configurar o modelo da Vertex Explainable AI.
• Implantar o modelo na Vertex AI.
• Testar o modelo implantado.
• Fazer a limpeza.

Etapas do tutorial

• Explorar dados
• Modelo com o BigQuery e o modelo ARIMA
• Avalie o modelo
• Avaliar os resultados do modelo usando o BigQuery ML (em dados de treinamento)
• Avaliar os resultados do modelo MAE, MAPE, MSE, RMSE (em dados de teste)
• Usar o recurso de execução

Etapas do tutorial

• Como usar Python e SQL para consultar dados públicos no BigQuery
• Como analisar o conjunto de dados usando o BigQuery INFORMATION_SCHEMA
• Criar elementos interativos para ajudar a explorar partes interessantes dos dados
• Faça uma análise exploratória de séries temporais e correlação.
• Como criar saídas estáticas e interativas (tabelas de dados e gráficos) no notebook
• Salvar algumas saídas no Cloud Storage

Etapas do tutorial

• Instalação das bibliotecas necessárias
• Como ler o conjunto de dados de um bucket do Cloud Storage
• Como fazer análises exploratórias no conjunto de dados
• Pré-processamento do conjunto de dados
• Como treinar um modelo aleatório de floresta usando o scikitlearn
• Salvar o modelo em um bucket do Cloud Storage
• Como criar um recurso de modelo da Vertex AI e implantar em um endpoint
• Como executar a Ferramenta WhatIf nos dados de teste
• Como remover a implantação do modelo e limpar os recursos dele

Etapas do tutorial

• Explore uma exportação de dados do Google Analytics 4 no BigQuery.
• Preparar os dados de treinamento usando informações demográficas, dados comportamentais e rótulos (desligamento de usuários/não desligamento de usuários).
• Treinar um modelo XGBoost usando o BigQuery ML
• Avaliar um modelo usando o BigQuery ML
• Fazer previsões sobre o desligamento de usuários com o BigQuery ML

Etapas do tutorial

• Carregar o conjunto de dados do BigQuery usando a integração "BigQuery no Notebooks".
• Analisar o conjunto de dados
• Pré-processar os atributos no conjunto de dados.
• Criar um modelo aleatório de classificador de floresta que prevê se um produto será vendido nos próximos 60 dias.
• Avaliar o modelo.
• Implantar o modelo usando a Vertex AI.
• Configure e teste com a Ferramenta WhatIf.

Etapas do tutorial

• Carregar o conjunto de dados necessário de um bucket do Cloud Storage.
• Analisar os campos presentes no conjunto de dados.
• Seleção dos dados necessários para o modelo de manutenção preditiva.
• Como treinar um modelo de regressão XGBoost para prever a vida útil restante.
• Avaliar o modelo
• Executar o notebook como um job de treinamento usando o Executor.
• Implantar o modelo na Vertex AI.
• Fazer a limpeza.

Etapas do tutorial

• Carregar o conjunto de dados obrigatório de um bucket do Cloud Storage
• Analise os campos presentes no conjunto de dados.
• Processe os dados para criar um modelo.
• Criar um modelo de previsão do BigQuery ML com base nos dados processados.
• Receber valores previstos do modelo de ML do BigQuery.
• Interpretar as previsões para identificar os melhores preços
• Fazer a limpeza.

Etapas do tutorial

• Carregar os dados necessários
• Como fazer o pré-processamento dos dados
• Seleção dos dados necessários para o modelo.
• Carregar o conjunto de dados nos conjuntos de dados gerenciados da Vertex AI;
• Como treinar um modelo de sentimento usando o treinamento do AutoML Text.
• Avaliar o modelo
• Implantar o modelo na Vertex AI.
• Como receber predições
• Fazer a limpeza.

Etapas do tutorial

• Configurar um projeto do Google Cloud e um cluster do Dataproc.
• Como configurar o conector sparkbigqueryconnector.
• Ingestão de dados do BigQuery em um DataFrame do Spark.
• Pré-processamento de dados ingeridos.
• Consulte a linguagem de programação mais usada em repositórios monoglot.
• Consulte o tamanho médio (MB) de código em cada linguagem armazenada em repositórios monoglot.
• Consulte os arquivos de idioma mais frequentemente encontrados em repositórios poliglotas.
• Gravar os resultados da consulta de volta no BigQuery
• Como excluir os recursos criados para este tutorial do notebook.

Etapas do tutorial

• Configura um projeto do Google Cloud e um cluster do Dataproc.
• Cria um bucket do Cloud Storage e um conjunto de dados do BigQuery.
• Configura o conector sparkbigqueryconnector.
• Ingestão de dados do BigQuery em um DataFrame do Spark.
• Fazer uma análise exploratória de dados (EDA, na sigla em inglês).
• Visualize os dados com amostras.
• Limpa os dados.
• Seleciona os recursos.
• Treina o modelo.
• Saída de resultados.
• Salva o modelo em um bucket do Cloud Storage.
• Exclui os recursos criados para o tutorial.