Ce cours présente une approche pratique du workflow de ML avec une étude de cas dans laquelle une équipe est confrontée à plusieurs exigences métier et cas d'utilisation de ML. Cette équipe doit comprendre quels outils sont nécessaires pour gérer et gouverner les données, et trouver la meilleure approche pour prétraiter les données, de la découverte de Dataflow et Dataprep à l'utilisation de BigQuery pour les opérations de prétraitement. On présente à cette équipe trois options de construction de modèles de machine learning pour deux cas d'utilisation spécifiques. Ce cours explique pourquoi l'équipe utiliserait AutoML, BigQuery ML ou l'entraînement personnalisé pour atteindre ses objectifs. Il permet de découvrir plus en détail l'entraînement personnalisé en décrivant les exigences correspondantes : structure du code d'entraînement, stockage, chargement de grands ensembles de données ou encore exportation d'un modèle entraîné. Vous construirez un modèle de machine learning pour l'entraînement personnalisé, qui vous permettra de créer une image de conteneur avec peu de connaissances de Docker. Dans cette étude de cas, l'équipe examine les réglages d'hyperparamètres à l'aide de Vertex Vizier et la façon dont ils peuvent être utilisés pour améliorer les performances du modèle. Ce cours inclut une partie théorique pour vous aider à mieux comprendre l'amélioration des modèles : nous parlerons de la régularisation, de la parcimonie, ainsi que de nombreux autres concepts et principes essentiels. Nous terminerons par un aperçu de la prédiction et de la surveillance des modèles. Vous pourrez aussi découvrir comment Vertex AI peut être utilisé pour gérer les modèles de ML.