41 skill badges completados
Descubre cómo potenciar tus aplicaciones con IA mediante Vibe Coding y la plataforma MCP. Aprende a integrar estas herramientas para desarrollar soluciones de vanguardia.
Desarrolla una aplicación inteligente en la nube utilizando Vibe Coding y el Machine Configuration Platform (MCP). Aprende a integrar estas herramientas para crear soluciones avanzadas y eficientes.
Descubre cómo optimizar y acelerar el desarrollo de aplicaciones utilizando la interfaz de línea de comandos (CLI) de Gemini. Aprende a integrar Gemini en tus flujos de trabajo para mejorar la productividad y la eficiencia en la creación de software.
Aprende a utilizar la interfaz de línea de comandos (CLI) de Gemini para acelerar el desarrollo de aplicaciones en Google Cloud, integrando capacidades de IA directamente en tu flujo de trabajo.
Explora las técnicas de networking para optimizar las cargas de trabajo de IA e HPC en Google Cloud. Aprende a configurar y gestionar redes de alto rendimiento para el entrenamiento de modelos y la inferencia.
Curso completo sobre opciones de almacenamiento para AI y HPC en Google Cloud. Aprende a elegir el almacenamiento correcto para cada etapa del ciclo de vida de ML, optimizar I/O durante el entrenamiento, gestionar datasets masivos y servir artefactos de modelo con baja latencia.
Guía completa para desplegar, gestionar y optimizar cargas de trabajo de AI y HPC en Google Cloud. Explora estrategias de despliegue desde Compute Engine hasta GKE, creación de clusters y despliegue de inferencia.
Exploración de TPUs en Google Cloud: ventajas, desventajas, comparación de aceleradores TPU, estrategias para maximizar rendimiento y eficiencia, e interoperabilidad GPU/TPU para flujos de trabajo flexibles.
Computadoras AI optimizadas para rendimiento: CPUs, GPUs y TPUs para tareas de IA ultra rápidas. Aprende a seleccionar el compute adecuado para tus proyectos de AI.
Fundamentos de AI Hypercomputers: qué son, cómo ayudan con cargas de trabajo de AI, componentes internos (GPUs, TPUs, CPUs) y cómo elegir la estrategia de despliegue correcta.
Proceso de entrenamiento de modelos ML: identificar y mitigar overfitting/underfitting, implementar perceptrón multicapa, comprender backpropagation, y considerar impactos sociales de la innovación.
Preparación de datos de texto para modelos de lenguaje: tokenización, embeddings, representación de significado, vectores y matrices, y diseño ético de datasets con Data Cards.
Fundamentos de modelos de lenguaje: pipeline de desarrollo ML, modelos n-gram vs transformers, generación de texto, identificación de patrones en lenguaje, y uso responsable de ML.
Proceso de descubrimiento de valor de negocio usando contenido propietario de Google para partners técnicos de ventas. Incluye herramienta externa Yoodli para prácticas.
Formación integral para partners de Google Cloud: conocimiento de productos, fortalecimiento de habilidades para ganar con clientes y escalar el negocio en Google Cloud.
Principios de migraciones automatizadas, planificación de migraciones de sistemas legacy a Google Cloud usando plataforma G4, y ejecución de conversión de código de prueba.
Operaciones core de AlloyDB, migración desde PostgreSQL, administración de bases de datos AlloyDB, y aceleración de consultas analíticas usando AlloyDB Columnar Engine.
Creación de instancias, diseño de esquemas, consulta de datos, y tareas administrativas en Bigtable incluyendo monitoreo de rendimiento y autoscaling de nodos.
Creación e interacción con instancias y bases de datos Cloud Spanner, carga de datos, backups, definición de esquemas, planes de consulta y despliegue de aplicaciones web.
Migración, configuración y gestión de instancias y bases de datos Cloud SQL para PostgreSQL.
Interacción con modelos generativos de AI, prototipado de ideas de negocio y lanzamiento a producción usando Vertex AI Studio para aplicaciones Gemini multimodales.
Qué es Generative AI, cómo se usa, diferencias con métodos tradicionales de ML, y herramientas de Google para desarrollar apps Gen AI.
Deep learning confiable: modelos que hacen predicciones precisas y comprenden su incertidumbre. Creación de sistemas AI confiables y robustos para escenarios de alto riesgo.
Migración de datos MySQL a Cloud SQL usando diferentes tipos de jobs y opciones de conectividad en Database Migration Service, incluyendo migración de usuarios.
Arquitectura, planificación, ejecución y prueba de migraciones de bases de datos empresariales. Migración de SQL Server y Oracle a Google Cloud.
Análisis y selección de bases de datos para tus necesidades. Exploración de bases relacionales y NoSQL, Cloud SQL, AlloyDB y Spanner con experiencia práctica en Vector Search.
Conceptos y terminología importantes para trabajar con Google Cloud. Comparación de servicios de computación y almacenamiento, y herramientas de gestión de recursos.
Enfoque del workflow ML en el mundo real mediante caso de estudio. Gestión de datos, preprocessing, y comparación de AutoML, BigQuery ML y entrenamiento personalizado.
Qué es ML y qué problemas puede resolver. Mejores prácticas, introducción a Vertex AI, cinco fases de implementación y reconocimiento de sesgos.
Construcción de pipelines de transformación de datos a BigQuery usando Dataprep, ETL workflows con Cloud Storage, Dataflow y BigQuery, y construcción de modelos ML con BigQuery ML.
Joins de datos, solución de problemas de joins, append con unions, tablas particionadas por fecha, y trabajo con JSON, arrays y structs en BigQuery.
Limpieza de datos con Dataprep, ejecución de pipelines en Dataflow, creación de clusters y jobs Apache Spark en Dataproc, y llamadas a ML APIs.
Componentes del modelo operativo de Dataflow, herramientas para troubleshooting, optimización de rendimiento, testing, deployment y Templates.
Desarrollo de pipelines con Beam SDK: conceptos Apache Beam, procesamiento de streaming con windows, watermarks y triggers, sources/sinks, schemas, y State/Timer APIs.
Apache Beam y Dataflow: visión de Beam, beneficios del framework Beam Portability, separación de compute y storage, y modelos de seguridad.
Incorporación de ML en pipelines de datos: AutoML para poca personalización, Notebooks y BigQuery ML para capacidades a medida, y Vertex AI para producción.
Diseño, construcción y optimización de pipelines de datos batch: transformaciones a gran escala, orquestación de workflows, Dataflow, Dataproc Serverless.
Gestión de datos continuos y no acotados con productos de Google Cloud: desafíos del mundo real en streaming.
Concepto de data lakehouse: fuentes de datos open-standard que combinan lo mejor de data lakes y warehouses, abordando limitaciones de enfoques tradicionales.
Productos de big data y ML de Google Cloud que soportan el ciclo de vida data-to-AI: procesos, desafíos y beneficios de construir pipelines y modelos con Vertex AI.
Creación de plan de estudio para certificación PDE: exploración de dominios del examen, evaluación de preparación y plan individual de estudio.