Principes fondamentaux de Google Cloud pour les chercheurs
Dans ce cours, vous apprendrez à utiliser divers outils de Google Cloud pour ingérer, gérer et exploiter vos données afin d'en tirer des informations pour votre recherche. Vous serez initié aux outils utilisés sur Google Cloud par les chercheurs, puis vous apprendrez à ingérer vos données non structurées et structurées dans Cloud Storage et BigQuery respectivement. Ensuite, vous apprendrez à organiser vos données et à comprendre les coûts dans Google Cloud. Enfin, vous apprendrez à tirer parti des environnements de notebook et d'autres outils Google Cloud pour l'analyse descriptive et prédictive.
Ce que vous allez apprendre
- Comprendre les produits disponibles dans Google Cloud pour la recherche
- Charger des données non structurées et structurées dans Google Cloud
- Gérer l'accès et le partage de vos données sur Google Cloud
- Comprendre les coûts sur Google Cloud
- Tirer parti des environnements Jupyter Notebook dans Vertex AI Workbench
- Utiliser des solutions d'apprentissage automatique sur Google Cloud
Prérequis
- Connaissance de base des types de données et du SQL
- Connaissances de base en programmation
- Modèles d'apprentissage automatique tels que les modèles supervisés par rapport aux modèles non supervisés
Public cible
- Clients, Chercheurs
Programme de la Formation
6 modules pour maîtriser les fondamentaux
Objectifs
- Explorer les cas d'utilisation de la recherche dans Google Cloud à travers des démos interactives.
Sujets abordés
- →Démo : Provisionner des machines virtuelles Compute Engine
- →Démo : Interroger un milliard de lignes de données en quelques secondes avec BigQuery
- →Démo : Entraîner un modèle de vision personnalisé avec AutoML Vision
Objectifs
- Comprendre comment les ressources dans Google Cloud sont gérées à travers les organisations, les dossiers et les projets.
- Contrôler l'accès aux projets et aux ressources à l'aide d'IAM
- Explorer la facturation dans Google Cloud
Sujets abordés
- →Organisation des ressources dans Google Cloud
- →Contrôle de l'accès aux projets et aux ressources
- →Gestion des coûts et de la facturation
Objectifs
- Comprendre les méthodes d'interaction avec Google Cloud
- Stocker vos données dans des buckets Cloud Storage
- Provisionner des machines virtuelles Compute Engine
- Comprendre les coûts de calcul sur Google Cloud
- Explorer comment vous pouvez créer des clusters HPC sur Google Cloud
Sujets abordés
- →Interaction avec Google Cloud
- →Créer et gérer des buckets Cloud Storage
- →Machines virtuelles Compute Engine
- →Comprendre les coûts de calcul
- →Introduction au HPC sur Google Cloud
Activités
Labo : Créer et gérer une machine virtuelle (Linux) et Cloud Storage
Labo optionnel : Déployer un cluster HPC avec Slurm
Objectifs
- Comprendre les principes fondamentaux de BigQuery
- Interroger des jeux de données publics dans BigQuery Studio
- Gérer des jeux de données dans BigQuery
- Connecter des données de BigQuery à Looker Studio
Sujets abordés
- →Principes fondamentaux de BigQuery
- →Interrogation de jeux de données publics
- →Importation et exportation de données dans BigQuery
- →Connexion à Looker Studio
Activités
Labo : Principes fondamentaux de BigQuery et Looker Studio
Objectifs
- Explorer Vertex AI en tant que plateforme d'apprentissage automatique
- Provisionner des notebooks Jupyter à l'aide de Vertex AI Workbench
Sujets abordés
- →Vertex AI
- →Vertex AI Workbench
- →Connexion des notebooks Jupyter à BigQuery
Activités
Labo : Interaction avec BigQuery en utilisant Python et R dans des notebooks Jupyter
Objectifs
- Explorer les options d'apprentissage automatique sur Google Cloud
- Comprendre les données non structurées à l'aide des API ML pré-entraînées
- Créer des modèles ML personnalisés sans code avec Vertex AI AutoML
- Créer des modèles ML personnalisés avec SQL sur BigQuery ML
Sujets abordés
- →Options de ML sur Google Cloud
- →API ML pré-entraînées
- →Vertex AI AutoML
- →BigQuery ML
Activités
Labo optionnel : Extraire, analyser et traduire du texte à partir d'images avec les API Cloud ML
Labo optionnel : Identifier les pièces de voiture endommagées avec Vertex AutoML Vision
Labo optionnel : Démarrer avec l'apprentissage automatique BigQuery
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
- 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).
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
Former plusieurs collaborateurs
- Tarifs dégressifs (plusieurs places)
- Session privée ou sur-mesure
- En présentiel ou à distance