Vertex AI: ML-Pipelines, die wirklich laufen

Vom ersten Dataset bis zum überwachten Rollout: trainieren, evaluieren, deployen und überwachen in Google Vertex AI. Zu den Schwerpunkten gehören Vertex AI Setup und Arbeitsweise, Datenbasis: Ingestion, Features, Governance, Training: AutoML und Custom Training, Experiment Tracking und Modellverwaltung, Pipelines: wiederholbar statt „Notebook-Magie“ und Deployment und Online/Batch Prediction.

Die Schulung richtet sich an Data Scientists, die Vertex AI produktionsnah nutzen wollen, ML Engineers, die Pipelines, Deployment und Betrieb aufbauen, Cloud Engineers, die IAM, Security und Plattformbetrieb begleiten und Analytics Engineers, die Daten aus BigQuery für ML bereitstellen sowie alle, die Machine Learning in Google Vertex AI end-to-end umsetzen wollen.

Grundverständnis von Machine Learning (z. B. Train/Test, Overfitting, Metriken). Erste Erfahrung mit Python oder Notebooks ist hilfreich, aber nicht zwingend.

Zu den Schwerpunkten gehören Vertex AI Setup und Arbeitsweise, Datenbasis: Ingestion, Features, Governance, Training: AutoML und Custom Training, Experiment Tracking und Modellverwaltung, Pipelines: wiederholbar statt „Notebook-Magie“ und Deployment und Online/Batch Prediction.

Die Inhalte werden bis zu konkreten Arbeitsschritten zu Pipelines: wiederholbar statt „Notebook-Magie“, Deployment und Online/Batch Prediction und Monitoring, Drift und Betrieb geführt. Dadurch lässt sich das Gelernte gezielt auf eigene Aufgaben übertragen.

Zu den angestrebten Ergebnissen gehören: Dieses Seminar richtet sich an alle, die mit Google Vertex AI ein Machine-Learning-Projekt von der Idee bis zum Betrieb aufsetzen wollen, ohne in Tool-Details stecken zu bleiben; Du arbeitest entlang eines realistischen End-to-End-Szenarios und lernst dabei die entscheidenden Bausteine: Daten, Training, Modellverwaltung, Pipelines,; Zu Beginn klärst du die Grundlagen der Plattform: Welche Rollen und Berechtigungen du brauchst, wie Service Accounts sinnvoll eingesetzt werden und welche Entscheidungen bei …; Im Datenblock lernst du, wie du Daten aus BigQuery und Cloud Storage strukturiert einbindest und mit Data Validation typische Qualitätsprobleme früh erkennst; Ein Schwerpunkt liegt auf Fehlern,

Ja. „Experiment Tracking und Modellverwaltung“ ist ein eigener Bestandteil der Schulung. Dazu gehören Experiments, Runs, Metriken und Artefakte, Model Registry, Versionierung, Lineage und Bewertung: Baselines, Thresholds, Error Analysis.