Parabéns por concluir o curso "Big Data and Machine Learning Fundamentals". Esperamos que tenha aprendido informações importantes para melhorar sua carreira. Neste curso, você conheceu produtos e tecnologias de suporte ao ciclo de vida de dados para IA do Google. Vamos revisar uma última vez os principais conceitos apresentados. Na primeira seção do curso, você conheceu a Infraestrutura do Google Cloud e os produtos de Big Data e machine learning do Google. A infraestrutura do Google Cloud tem três camadas, e você estudou a de cima e a do meio. A camada do meio aborda a computação e o armazenamento, e o Google Cloud separa essas duas áreas para escalonamento independente, conforme a necessidade. Já na camada de cima, encontramos os produtos de Big Data e machine learning que permitem executar tarefas para ingerir, armazenar, processar e gerar insights de negócios, pipelines de dados e modelos de machine learning. Na segunda seção do curso, você conheceu a engenharia de dados para dados de streaming, o que incluiu a criação de um pipeline de dados desde a ingestão com o Pub/Sub até o processamento com o Dataflow e, por fim, a visualização com o Data Studio e o Looker. Depois disso, na terceira seção do curso, você conheceu o BigQuery, nossa solução de data warehouse totalmente gerenciada. O BigQuery oferece dois serviços: armazenamento e análise. Também falamos sobre a BigQuery ML, a ferramenta de machine learning usada para desenvolver modelos diretamente no BigQuery. Na quarta seção do curso, você conheceu as opções para criar e implantar modelos de ML com o Google Cloud. Se você já entende sobre SQL e tem dados armazenados no BigQuery, pode usar o BigQuery ML para desenvolver modelos. Se você tem pouca experiência com ML as APIs pré-criadas são a melhor opção. Elas abordam tarefas perceptivas simples como visão, vÃdeo e linguagem natural, e não é necessário conhecimento prévio sobre ML ou desenvolvimento de módulos. Para criar modelos personalizados com seus dados de treinamento e o mÃnimo de programação, então o AutoML é a melhor opção. O AutoML oferece uma solução sem código para você focar nos problemas da empresa e não na arquitetura do modelo e no provisionamento de ML. Para ter controle total sobre o fluxo de trabalho de ML, o treinamento personalizado da Vertex AI permite treinar e disponibilizar pedidos com código usando o Vertex Workbench. Com os contêineres pré-criados, é possÃvel usar bibliotecas de ML conhecidas, como o Tensorflow e o PyTorch. Além disso, você também pode criar um contêiner personalizado do zero. Na última seção do curso, você aprendeu sobre o fluxo de trabalho de ML com a Vertex AI, uma plataforma que reúne todos os componentes de ecossistema e fluxo de trabalho de machine learning. O fluxo de trabalho de machine learning inclui três etapas. Na primeira etapa, "Preparação de dados", as informações são carregadas e a engenharia de atributos é aplicada. Na segunda etapa "treinamento de modelos", o modelo é treinado e avaliado. E, na última etapa "exibição de modelos", o modelo é implantado e monitorado. Esperamos que este curso seja só o começo do seu aprendizado sobre Big Data e machine learning. Para mais treinamentos e práticas com machine learning e IA, consulte as opções disponÃveis em cloud.google.com/training/machinelearning-ai. E se você tiver interesse em validar sua experiência e mostrar suas habilidades de transformar negócios com a tecnologia do Google Cloud, faça uma certificação da plataforma. Saiba mais sobre as certificações do Google Cloud em cloud.google.com/certifications. Agredecemos por concluir o curso. Até a próxima.
