Este curso abarca un enfoque práctico y real sobre el flujo de trabajo del AA: Se trata del caso de éxito de un equipo de AA que trabaja con varios requisitos empresariales y casos de uso de AA. Este equipo debe comprender las herramientas necesarias para la administración de los datos y considerar el mejor enfoque para su procesamiento previo, lo que abarca desde proporcionar una descripción general de Dataflow y Dataprep hasta utilizar BigQuery para las tareas de procesamiento previo. Al equipo se le presentan tres opciones con las que pueden crear modelos de aprendizaje automático para dos casos de uso específicos. En este curso, se explica por qué el equipo utilizaría AutoML, BigQuery ML o el entrenamiento personalizado para lograr sus objetivos. Además, se profundiza en el entrenamiento personalizado. Describimos los requisitos del entrenamiento personalizado, lo que incluye la estructura del código de entrenamiento, el almacenamiento, la carga de grandes conjuntos de datos y la exportación de un modelo entrenado. Compilará un modelo de aprendizaje automático de entrenamiento personalizado, que le permitirá construir una imagen de contenedor sin necesitar muchos conocimientos de Docker. El equipo del caso de éxito explica cómo ajustar los hiperparámetros mediante Vertex Vizier y cómo este puede utilizarse a fin de mejorar el rendimiento del modelo. Para entender mejor la mejora de los modelos, veremos un poco de teoría: hablaremos de la regularización, de cómo abordar la dispersión y de muchos otros conceptos y principios fundamentales. Terminaremos con una descripción general de la predicción y la supervisión de modelos y de cómo se puede utilizar Vertex AI para administrar los modelos de AA.