GCP200ML
Machine Learning sur Google Cloud
Ce cours présente les offres d'intelligence artificielle (IA) et d'apprentissage automatique (ML) sur Google Cloud qui soutiennent le cycle de vie des données à l'IA à travers les fondations de l'IA, le développement de l'IA et les solutions d'IA. Il explore les technologies, les produits et les outils disponibles pour construire un modèle ML, un pipeline ML et un projet d'IA générative. Vous apprendrez à construire des modèles AutoML sans écrire une seule ligne de code, à construire des modèles BigQuery ML en utilisant SQL et à construire des tâches d'entraînement personnalisées Vertex AI en utilisant Keras et TensorFlow. Vous explorerez également les techniques de prétraitement des données et l'ingénierie des caractéristiques.
Ce que vous allez apprendre
- Décrire les technologies, produits et outils pour construire un modèle ML, un pipeline ML et un projet d'IA générative.
- Comprendre quand utiliser AutoML et BigQuery ML.
- Créer des ensembles de données gérés par Vertex AI.
- Ajouter des caractéristiques au Vertex AI Feature Store.
- DĂ©crire Analytics Hub, Dataplex et Data Catalog.
- Décrire comment améliorer les performances du modèle.
- Créer un notebook géré par l'utilisateur Vertex AI Workbench, construire une tâche d'entraînement personnalisée et la déployer à l'aide d'un conteneur Docker.
- Décrire les prédictions par lots et en ligne et la surveillance des modèles.
- Décrire comment améliorer la qualité des données et explorer vos données.
- Construire et entraîner des modèles d'apprentissage supervisé.
- Optimiser et évaluer les modèles à l'aide de fonctions de perte et de métriques de performance.
- Créer des ensembles de données d'entraînement, d'évaluation et de test répétables et évolutifs.
- Implémenter des modèles ML en utilisant TensorFlow ou Keras.
- Comprendre les avantages de l'ingénierie des caractéristiques.
- Expliquer la surveillance des modèles Vertex AI et les pipelines Vertex AI.
Prérequis
- Une certaine familiarité avec les concepts de base de l'apprentissage automatique
- Maîtrise de base d'un langage de script, de préférence Python
Public cible
- Analystes de données, scientifiques des données et ingénieurs de données aspirants en apprentissage automatique, Apprenants qui souhaitent s'exposer au ML et utiliser Vertex AI, AutoML, BigQuery ML, Vertex AI Feature Store, Vertex AI Workbench, Dataflow, Vertex AI Vizier pour le réglage des hyperparamètres, et TensorFlow/Keras
Programme de la Formation
5 modules pour maîtriser les fondamentaux
Sujets abordés
- →Reconnaître le framework IA/ML sur Google Cloud.
- →Identifier les principaux composants de l'infrastructure Google Cloud.
- →Définir les produits de données et de ML sur Google Cloud et comment ils soutiennent le cycle de vie des données à l'IA.
- →Construire un modèle ML avec BigQueryML pour apporter des données à l'IA.
- →Définir différentes options pour construire un modèle ML sur Google Cloud.
- →Reconnaître les principales caractéristiques et les situations applicables des API pré-entraînées, d'AutoML et de l'entraînement personnalisé.
- →Utiliser l'API Natural Language pour analyser du texte.
- →Définir le flux de travail de la construction d'un modèle ML.
- →Décrire MLOps et l'automatisation du flux de travail sur Google Cloud.
- →Construire un modèle ML de bout en bout en utilisant AutoML sur Vertex AI.
- →Définir l'IA générative et les grands modèles de langage.
- →Utiliser les capacités d'IA générative dans le développement de l'IA.
- →Reconnaître les solutions d'IA et les fonctionnalités d'IA générative intégrées.
Activités
Travaux Pratiques
Quiz du Module
Lectures du Module
Sujets abordés
- →Décrire comment améliorer la qualité des données.
- →Effectuer une analyse exploratoire des données.
- →Construire et entraîner des modèles d'apprentissage supervisé.
- →Décrire AutoML et comment construire, entraîner et déployer un modèle ML sans écrire une seule ligne de code.
- →Décrire BigQuery ML et ses avantages.
- →Optimiser et évaluer les modèles à l'aide de fonctions de perte et de métriques de performance.
- →Atténuer les problèmes courants qui surviennent dans l'apprentissage automatique.
- →Créer des ensembles de données d'entraînement, d'évaluation et de test répétables et évolutifs.
Activités
Travaux Pratiques
Quiz du Module
Lectures du Module
Sujets abordés
- →Créer des modèles d'apprentissage automatique TensorFlow et Keras.
- →Décrire les principaux composants de TensorFlow.
- →Utiliser la bibliothèque tf.data pour manipuler des données et de grands ensembles de données.
- →Construire un modèle ML qui utilise des couches de prétraitement tf.keras.
- →Utiliser les API Keras Sequential et Functional pour la création de modèles simples et avancés.
- →Entraîner, déployer et mettre en production des modèles ML à grande échelle avec le service d'entraînement Vertex AI.
Activités
Travaux Pratiques
Quiz du Module
Lectures du Module
Sujets abordés
- →Décrire le Vertex AI Feature Store.
- →Comparer les aspects clés requis d'une bonne caractéristique.
- →Utiliser les utilitaires de prétraitement tf.keras pour travailler avec des données d'image, de texte et de séquence.
- →Effectuer l'ingénierie des caractéristiques en utilisant BigQuery ML, Keras et TensorFlow.
Activités
Travaux Pratiques
Quiz du Module
Lectures du Module
Sujets abordés
- →Comprendre les outils requis pour la gestion et la gouvernance des données.
- →Décrire la meilleure approche pour le prétraitement des données : de la présentation de Dataflow et Dataprep à l'utilisation de SQL pour les tâches de prétraitement.
- →Expliquer en quoi AutoML, BigQuery ML et l'entraînement personnalisé diffèrent et quand utiliser un framework particulier.
- →Décrire le réglage des hyperparamètres à l'aide de Vertex AI Vizier pour améliorer les performances du modèle.
- →Expliquer la prédiction et la surveillance des modèles et comment Vertex AI peut être utilisé pour gérer les modèles ML.
- →Décrire les avantages des pipelines Vertex AI.
- →Décrire les meilleures pratiques pour le déploiement et le service de modèles, la surveillance des modèles, les pipelines Vertex AI et l'organisation des artefacts.
Activités
Travaux Pratiques
Quiz du Module
Lectures du Module
Processus Qualité
L'engagement de SFEIR Institute : une démarche d'excellence pour garantir la qualité et la réussite de toutes nos formations. En savoir plus sur notre démarche qualité
Méthodes pédagogiques mobilisées
- Lectures / Apports théoriques (Slides) — Présentation de concepts via des supports visuels (PowerPoint, PDF).
- Démonstration technique (Démos) — Le formateur réalise une manipulation ou une procédure devant les apprenants.
- Laboratoires dirigés (Labs) — Mise en pratique guidée sur logiciel, machine ou environnement technique.
- Quiz / QCM — Test rapide de connaissances (format papier ou numérique type Kahoot/Klaxoon).
Dispositif d'Ă©valuation et de suivi
L'atteinte des objectifs de la formation est évaluée à plusieurs niveaux pour garantir la qualité de la prestation :
- Évaluation continue des acquis : Vérification des connaissances tout au long de la formation via des méthodes participatives (en fonction de la formation: quiz, exercices pratiques, mises en situation) sous la supervision du formateur.
- Mesure de la progression : Dispositif d'auto-évaluation comparatif comprenant un diagnostic initial pour situer le niveau de départ, suivi d'une évaluation finale pour valider l'évolution des compétences.
- Évaluation de la qualité : Questionnaire de satisfaction en fin de session pour mesurer la pertinence et l'efficacité de la formation ressentie par les participants.
Prochaines sessions
16 mars 2026
Distanciel • Français
15 juin 2026
Distanciel • Français
14 septembre 2026
Distanciel • Français
14 décembre 2026
Distanciel • Français
Former plusieurs collaborateurs
- Tarifs dégressifs (plusieurs places)
- Session privée ou sur-mesure
- En présentiel ou à distance