Google Colab Pro: Scalable Python and AI Workflows in the Cloud

• Doświadczenie w programowaniu Python
• Znajomość notebooków Jupyter i podstawowej analizy danych
• Zrozumienie powszechnych przepływów pracy w machine learningu

Grupa docelowa

• Naukowcy danych i analitycy
• Inżynierowie machine learningu
• Programiści Python pracujący nad projektami AI lub badawczymi

Pro jest środowiskiem opartym na chmurze przeznaczonym do skalowalnego programowania, oferującym wysokowydajne procesory GPU, dłuższe czasy działania i więcej pamięci dla wymagających obciążeń AI i nauki danych.

Ten kurs prowadzony przez instruktora (online lub na miejscu) jest przeznaczony dla użytkowników o poziomie zaawansowanym, którzy chcą używać Pro do uczenia maszynowego, przetwarzania danych i współpracy w badaniach w mocnym interfejsie notatnika.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Konfigurować i zarządzać notatnikami opartymi na chmurze za pomocą Colab Pro.
• Używać GPU i TPU do przyspieszonego obliczania.
• Uprościć przepływy pracy uczenia maszynowego przy użyciu popularnych bibliotek (np. TensorFlow, PyTorch, Scikit-learn).
• Integrować się z Google Drive i zewnętrznymi źródłami danych dla wspólnych projektów.

Format kursu

• Interaktywne wykłady i dyskusje.
• Wiele ćwiczeń i praktyki.
• Ręczne wdrażanie w środowisku laboratorium na żywo.

Opcje dostosowania kursu

• Aby zapytać o dostosowane szkolenie dla tego kursu, skontaktuj się z nami, aby ustalić szczegóły.

Wprowadzenie do Colab Pro

• Colab vs. Colab Pro: funkcje i ograniczenia
• Tworzenie i zarządzanie notatnikami
• Aceleratory sprzętowe i ustawienia czasu wykonywania

Programowanie w chmurze

• Komórki kodu, markdown i struktura notatnika
• Instalowanie pakietów i konfiguracja środowiska
• Zapisywanie i wersjonowanie notatników w Google Drive

Przetwarzanie i wizualizacja danych

• Ładowanie i analizowanie danych z plików, BigQuery, lub API
• Używanie Pandas, Matplotlib i Seaborn
• Strumieniowanie i wizualizacja dużych zestawów danych

Uczące się maszynowe z Colab Pro

• Używanie Scikit-learn i TensorFlow w Colab
• Trenowanie modeli na GPU/TPU
• Ocenianie i dostrajanie wydajności modeli

Pracowanie z frameworkami uczenia się maszynowego

• Używanie PyTorch z Colab Pro
• Zarządzanie pamięcią i zasobami czasu wykonywania
• Zapisywanie punktów kontrolnych i dzienników treningowych

Integracja i współpraca

• Montowanie Google Drive i ładowanie wspólnie używanych zestawów danych
• Współpraca za pomocą wspólnie używanych notatników
• Eksportowanie do HTML lub PDF na potrzeby dystrybucji

Optymalizacja wydajności i najlepsze praktyki

• Zarządzanie czasem trwania sesji i czasami wygaśnięcia
• Efektywna organizacja kodu w notatnikach
• Porady dla długotrwałych lub zadań poziomu produkcji

Podsumowanie i następne kroki