Google Cloud Professional ML Engineer

Objectifs

Concevoir, construire et déployer des modèles de machine learning sur Google Cloud. Maîtriser Vertex AI, BigQuery ML, TensorFlow et les pipelines MLOps. Prépare à la certification Google Cloud Professional Machine Learning Engineer.

Objectifs pédagogiques :

• Concevoir et entraîner des modèles ML avec Vertex AI et TensorFlow.


• Construire des pipelines MLOps automatisés sur Google Cloud.


• Utiliser BigQuery ML pour du machine learning sur données massives.


• Déployer, monitorer et optimiser des modèles en production.


• Se préparer à la certification Google Cloud Professional Machine Learning Engineer.

• Machine Learning sur Google Cloud


• Vertex AI et TensorFlow


• MLOps et pipelines automatisés


• BigQuery ML


• Déploiement et monitoring de modèles

Description

Durée : 4 jour(s), soit 28 heures. Formation animée par un formateur expert du domaine, alternant apports théoriques et travaux pratiques. Programme adaptable aux besoins du commanditaire.
Module 1 — Fondamentaux ML sur Google Cloud (1 jour)

Contenus :

• Écosystème Google Cloud AI/ML


• Vertex AI : datasets, training, AutoML


• BigQuery ML : entraînement SQL-based


• Feature Store et gestion des données

• Lab : entraînement AutoML sur Vertex AI

• Maîtriser les services ML de Google Cloud

• TensorFlow sur Vertex AI Training


• Hyperparameter tuning


• Distributed training


• Gestion des expériences avec Vertex AI Experiments

• Lab : entraînement distribué TensorFlow sur Vertex AI

• Entraîner et optimiser des modèles ML en production

• Vertex AI Pipelines (Kubeflow)


• CI/CD pour ML : Cloud Build, Artifact Registry


• Model monitoring et drift detection


• Vertex AI Model Registry

• Lab : pipeline MLOps complet sur Vertex AI

• Construire des pipelines MLOps automatisés

• Vertex AI Endpoints : déploiement et A/B testing


• Batch predictions vs online predictions


• IA responsable : Explainable AI, fairness


• Préparation à la certification

• Lab : déploiement et monitoring d'un modèle en production

• Déployer et monitorer des modèles ML en production

Conditions d'accès

Notions de machine learning (supervised/unsupervised). Python requis. Experience cloud appreciee. Un entretien de positionnement valide le profil avant l entree en formation.

Rythme

Temps plein, Temps partiel, Cours du soir, Cours le week-end, Formation hors temps de travail