参加 ログイン

Kosmaczewski Adrian

メンバー加入日: 2024

ダイヤモンド リーグ

18880 ポイント
Responsible AI: Applying AI Principles with Google Cloud - 日本語版 のバッジ Responsible AI: Applying AI Principles with Google Cloud - 日本語版 Earned 2月 2, 2024 EST
Generative AI Fundamentals - 日本語版 のバッジ Generative AI Fundamentals - 日本語版 Earned 1月 31, 2024 EST
Introduction to Responsible AI - 日本語版 のバッジ Introduction to Responsible AI - 日本語版 Earned 1月 31, 2024 EST
Introduction to Large Language Models - 日本語版 のバッジ Introduction to Large Language Models - 日本語版 Earned 1月 31, 2024 EST
Introduction to Generative AI - 日本語版 のバッジ Introduction to Generative AI - 日本語版 Earned 1月 30, 2024 EST
Production Machine Learning Systems - 日本語版 のバッジ Production Machine Learning Systems - 日本語版 Earned 1月 23, 2024 EST
Machine Learning in the Enterprise - 日本語版 のバッジ Machine Learning in the Enterprise - 日本語版 Earned 1月 21, 2024 EST
Feature Engineering - 日本語版 のバッジ Feature Engineering - 日本語版 Earned 1月 21, 2024 EST
TensorFlow on Google Cloud - 日本語版 のバッジ TensorFlow on Google Cloud - 日本語版 Earned 1月 21, 2024 EST
Launching into Machine Learning - 日本語版 のバッジ Launching into Machine Learning - 日本語版 Earned 1月 19, 2024 EST
Introduction to AI and Machine Learning on Google Cloud - 日本語版 のバッジ Introduction to AI and Machine Learning on Google Cloud - 日本語版 Earned 1月 14, 2024 EST

企業における AI と ML の利用が拡大し続けるなか、責任を持ってそれを構築することの重要性も増しています。多くの企業にとっての課題は、責任ある AI と口で言うのは簡単でも、それを実践するのは難しいということです。このコースは、責任ある AI を組織で運用化する方法を学びたい方に最適です。 このコースでは、Google Cloud が責任ある AI を現在どのように運用化しているかを、ベスト プラクティスや教訓と併せて学び、責任ある AI に対する独自のアプローチを構築するためのフレームワークとして活用できるようにします。

詳細

「Introduction to Generative AI」、「Introduction to Large Language Models」、「Introduction to Responsible AI」の各コースを修了すると、スキルバッジを獲得できます。最終テストに合格することで、ジェネレーティブ AI の基礎概念を理解していることが証明されます。 スキルバッジは、Google Cloud のプロダクトとサービスに関する知識を認定するために Google Cloud が発行するデジタルバッジです。スキルバッジは、ソーシャル メディアの公開プロフィールを作成してそこに追加することで一般向けに共有できます。

詳細

この入門レベルのマイクロラーニング コースでは、責任ある AI の概要と重要性、および Google が責任ある AI を自社プロダクトにどのように実装しているのかについて説明します。また、Google の AI に関する 7 つの原則についても説明します。

詳細

このコースは、大規模言語モデル（LLM）とは何か、どのようなユースケースで活用できるのか、プロンプトのチューニングで LLM のパフォーマンスを高めるにはどうすればよいかについて学習する、入門レベルのマイクロ ラーニング コースです。独自の生成 AI アプリを開発する際に利用できる Google ツールも紹介します。

詳細

この入門レベルのマイクロラーニング コースでは、生成 AI の概要、利用方法、従来の機械学習の手法との違いについて説明します。独自の生成 AI アプリを作成する際に利用できる Google ツールも紹介します。

詳細

このコースでは、本番環境で高パフォーマンスな ML システムを構築するためのコンポーネントとベスト プラクティスについて学習します。また、ML システムを構築するうえで最も一般的な考慮事項を紹介します。これには、静的トレーニング、動的トレーニング、静的な推論、動的な推論、分散型 TensorFlow、TPU などが含まれます。このコースでは、優れた予測能力にとどまらない、優れた ML システムの特性を探索することに焦点を当てています。

詳細

このコースでは、ML ワークフローに対する実践的なアプローチを取り上げます。具体的には、いくつかの ML のビジネス要件とユースケースに取り組む ML チームをケーススタディ形式で紹介します。このチームは、データ マネジメントとガバナンスに必要なツールを理解し、データの前処理に最適なアプローチを検討する必要があります。 2 つのユースケースに対して ML モデルを構築するための 3 つのオプションがチームに提示されます。このコースでは、チームの目標を達成するために、AutoML、BigQuery ML、カスタム トレーニングを使用する理由について説明します。

詳細

このコースでは、Vertex AI Feature Store を使用するメリット、ML モデルの精度を向上させる方法、最も有効な特徴を抽出できるデータ列の見極め方について説明します。また、BigQuery ML、Keras、TensorFlow を使用した特徴量エンジニアリングに関するコンテンツとラボも用意されています。

詳細

このコースでは、TensorFlow 入力データ パイプラインの設計と構築、TensorFlow と Keras を使用した ML モデルの構築、ML モデルの精度の向上、スケーリングに対応した ML モデルの作成、特殊な ML モデルの作成について取り上げます。

詳細

このコースでは、まず、データ品質を向上させる方法や探索的データ分析を行う方法など、データについての議論から始めます。Vertex AI AutoML について確認し、コードを一切記述せずに ML モデルを構築、トレーニング、デプロイする方法を説明します。また、BigQuery ML のメリットを確認します。その後、ML モデルを最適化する方法、一般化とサンプリングを活用してカスタム トレーニング向けに ML モデルの品質を評価する方法を説明します。

詳細

このコースでは、予測 AI と生成 AI の両方のプロジェクトを構築できる、Google Cloud の AI および機械学習（ML）サービスについて紹介します。AI の基盤、開発、ソリューションを含むデータから AI へのライフサイクル全体で利用可能なテクノロジー、プロダクト、ツールについて説明するとともに、魅力的な学習体験と実践的なハンズオン演習を通じて、データ サイエンティスト、AI 開発者、ML エンジニアの方々がスキルや知識を強化できるようサポートすることを目指しています。

詳細