Google Cloud Fundamentals: Big Data and Machine Learning

Esta clase está destinada a lo siguiente:

• Analistas de datos, científicos de datos, analistas de negocio que se inician con Google Cloud.
• Personas responsables del diseño de tuberías y arquitecturas para el procesamiento de datos, la creación y mantenimiento de modelos estadísticos y de aprendizaje de máquinas, la consulta de conjuntos de datos, la visualización de los resultados de la consulta y la creación de informes.
• Ejecutivos y responsables de TI que evalúan Google Cloud para su uso por parte de científicos de datos

Este curso enseña a los participantes las siguientes habilidades:

• Identificar el propósito y el valor de los productos clave de Big Data y Machine Learning en la plataforma Google Cloud.
• Utilice Cloud SQL y Cloud Dataproc para migrar las cargas de trabajo existentes de MySQL y Hadoop/Pig/Spark/Hive a Google Cloud.
• Emplea BigQuery y Cloud Datalab para llevar a cabo análisis de datos interactivos.
• Entrene y utilice una red neuronal utilizando TensorFlow.
• Emplear APIs de ML.
• Elija entre los diferentes productos de procesamiento de datos de la plataforma Google Cloud.

The course includes presentations, demonstrations and hands-on labs.

Module 1: Introducing the Google Cloud.

• Overview of the Google platform fundamentals.
• Important data products of the Google Cloud.

Module 2: Computing and Storage Fundamentals

• CPUs on demand (Compute Engine).
  
• A global file system (Cloud Storage)
  
• CloudShell.
  
• Lab: Configuring an Ingest-Transform-Publish data processing pipeline.

Module 3: Data analysis in the cloud

• Steps to the cloud.
  
• Cloud SQL: your SQL database in the cloud.
  
• Lab: Importing data into CloudSQL and executing queries
  
• Spark in Dataproc.
  
• Lab: Recommendations for learning machines with sparks in Dataproc.
  

Module 4: Scaling data analysis

• Quick random access.
  
• Datalab.
  
• BigQuery.
  
• Lab: Build a machine learning data set.

Module 5: Machine Learning

• Automatic learning with TensorFlow.
  
• Lab: Performing ML with TensorFlow
  
• Pre-built models for common needs.
  
• Lab: Using ML APIs.

Module 6: Data processing architectures

• Message-oriented architectures with Pub/Sub
  
• Creation of pipes with Dataflow.
  
• Reference architecture for real time and batch data processing.

Module 7: Summary

To get the most out of this course, participants should have

• Basic knowledge of the most common query language, such as SQL.
  
• Experience in data modeling, extraction, transformation, loading activities.
  
• Application development using a common programming language such as Python
  
• Familiarity with machine learning and/or statistics.