
Accueil > Formations > Data Science – Deep learning > GOOGLE CLOUD PLATFORM Développer des modèles prédictifs avec AutoML Tables
Formation GOOGLE CLOUD PLATFORM Développer des modèles prédictifs avec AutoML Tables
Domaine : Data Science – Deep learning
DURÉE
1 jour(s)
OBJECTIFS
Devenir opérationnel sur les projets de Machine Learning utilisant AutoML Tables de GCP (Google Cloud Platform). Maîtriser l'interface de GCP et savoir construire et déployer ses propres moteurs prédictifs sur AutoML Tables. Etre au fait de la tarification et du support sur GCP.
Pré-requis
Bases de la Data Science et connaissances globales sur GCP. Fortement souhaité de disposer d'un compte GCP (cela permet de capitaliser sur la formation, notamment en réalisant les Travaux Pratiques sur son propre compte).
Participants
Développeurs, data scientists…
coût
Nous contacter pour une formation sur mesure ou en intra
LIEUx de formation
Notre centre de formation à Sophia AntipolisOu sur votre site en formation intra
PROGRAMME DE FORMATION
GOOGLE CLOUD PLATFORM Développer des modèles prédictifs avec AutoML Tables
Introduction à l'outil AutoML Tables
Prise en main de l'interface AutoML Tables (Premiers pas sur la plateforme, Les différents outils et services de GCP)
Se connecter à une source de données (Création d'un data set)
Se connecter à une source de données (Création d'un data set)
Prise en main et développement d'un premier moteur prédictif avec AutoML Tables
Paramétrer et configurer un algorithme (Choisir les variables de l'algorithme (features sélection), Nettoyer des données)
Utiliser l'arbre de choix des algorithmes
Utilisation du modèle : les grandes étapes (Initialisation, Entraînement, Evaluation)
Utiliser l'arbre de choix des algorithmes
Utilisation du modèle : les grandes étapes (Initialisation, Entraînement, Evaluation)
Génération des prédictions en production et APIs associées
Génération des prédictions suite à l'entraînement du modèle grâce aux APIs
Réentraînements réguliers des modèles et maintien en condition opérationnelle (Dérive du modèle : quand le réentraîner?)
Réentraînements réguliers des modèles et maintien en condition opérationnelle (Dérive du modèle : quand le réentraîner?)
Coûts associés et solutions alternatives sur le marché
Facturation à l'usage et structuration des coûts (Coûts de stockage, Coûts d'entrainement, Coûts de prédictions)
Présentation de solutions alternatives du marché (Plateformes concurrentes : Azure, AWS…, Solutions open source)
Présentation de solutions alternatives du marché (Plateformes concurrentes : Azure, AWS…, Solutions open source)
dates des formations a grenoble
dates des formations a SOPHIA ANTIPOLIS
formations associées