Google Cloud Big Data and Machine Learnig Español

los participantes descubrirán las capacidades de los macrodatos y del aprendizaje automático de Google Cloud Platform (GCP). Además, se proporciona una descripción general rápida de Google Cloud Platform y más detalles sobre las capacidades de procesamiento de datos.

Al finalizar este curso, los participantes podrán hacer lo siguiente:

• Identificar el propósito y el valor de los productos clave de macrodatos y aprendizaje automático disponibles en Google Cloud Platform

• Usar Cloud SQL y Cloud Dataproc para migrar las cargas de trabajo existentes de MySQL y Hadoop/Pig/Spark/Hive a Google Cloud Platform

• Usar BigQuery y Cloud Datalab para llevar a cabo un análisis de datos interactivo

• Elegir entre Cloud SQL, Bigtable y Datastore

• Entrenar y usar una red neuronal mediante TensorFlow

• Elegir entre los diferentes productos de procesamiento de datos disponibles en Google Cloud Platform

Antes de inscribirse en este curso, los participantes deben tener los siguientes:

• Un lenguaje de consulta común, como SQL

• Actividades de extracción, transformación y carga

• Modelado de datos

• Aprendizaje automático o estadísticas

• Programación en Python

El principal objetivo de todo aprendiz (learner) es desarrollar la capacidad de generalizar y asociar. Cuando traducimos esto a una máquina o computadora, significa que éstas deberían poder desempeñarse con precisión y exactitud, tanto en tareas familiares, como en actividades nuevas o imprevistas.

¿Y cómo es posible esto?

Haciendo que repliquen las facultades cognitivas del ser humano, formando modelos que “generalicen” la información que se les presenta para realizar sus predicciones. Y el ingrediente clave en toda esta cuestión son los datos.

En realidad, el origen y el formato de los datos no es tan relevante, dado que el machine learning es capaz de asimilar una amplia gama de éstos, lo que se conoce como big data, pero éste no los percibe como datos, sino como una enorme lista de ejemplos prácticos.

Podríamos decir que sus algoritmos se dividen principalmente en tres grandes categorías: supervised learning (aprendizaje supervisado), unsupervised learning (aprendizaje no supervisado) y reinforcement learning (aprendizaje por refuerzo).