Vertex AI Workbench Jupyter Notebook チュートリアル

チュートリアルのステップ

• Vertex AI モデル トレーニング ジョブを作成する。
• AutoML の表形式モデルをトレーニングする。
• サービスを提供する Endpoint リソースに Model リソースをデプロイする。
• データを送信して予測を行う。
• Model リソースのデプロイを解除する。

チュートリアルのステップ

• Vertex AI データセットを作成する。
• AutoML テキスト分類 Model リソースをトレーニングする。
• Model リソースの評価指標を取得する。
• Endpoint リソースを作成する。
• Endpoint リソースに Model リソースをデプロイする。
• オンライン予測を行う
• バッチ予測を行う。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• バッチ予測を行う。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• サービスを提供する Endpoint リソースに Model リソースをデプロイする。
• 予測を行う。
• Model のデプロイを解除する。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• Model リソースから Cloud Storage に Edge モデルをエクスポートする。
• モデルをローカルにダウンロードする。
• ローカルで予測を行う。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• サービスを提供する Endpoint リソースに Model リソースをデプロイする。
• 予測を行う。
• Model のデプロイを解除する。

チュートリアルのステップ

• 時間を節約するために、検索スペースがデフォルトよりも少なくなるようにトレーニング パイプラインを作成する。
• 前のパイプラインのアーキテクチャ検索結果を再利用して、時間を節約するトレーニング パイプラインを作成する。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• バッチ予測を行う。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• バッチ予測を行う。

チュートリアルのステップ

• 画像モデルをトレーニングする。
• 画像モデルをエッジモデルとしてエクスポートする。
• 表形式モデルをトレーニングする。
• 表形式のモデルをクラウドモデルとしてエクスポートする。
• テキストモデルをトレーニングする。
• 動画モデルをトレーニングする。

チュートリアルのステップ

• Vertex AI TimeSeriesDataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• バッチ予測を行う。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• バッチ予測を行う。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• AutoML 表形式予測の Model リソースをトレーニングする。
• Model リソースの評価指標を取得する。
• バッチ予測を行う。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• サービスを提供する Endpoint リソースに Model リソースをデプロイする。
• 予測を行う。
• Model のデプロイを解除する。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• サービスを提供する Endpoint リソースに Model リソースをデプロイする。
• 予測を行う。
• Model のデプロイを解除する。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• サービスを提供する Endpoint リソースに Model リソースをデプロイする。
• 予測を行う。
• Model のデプロイを解除する。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• データセットの AutoML モデルのトレーニング ジョブを作成する。
• モデルの評価指標を表示する。
• サービスを提供する Vertex AI Endpoint に Vertex AI Model リソースをデプロイする。
• デプロイされたモデルに予測リクエストを送信する。
• エンドポイントからモデルのデプロイを解除する。
• クリーンアップ プロセスを実行する。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• バッチ予測を行う。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• バッチ予測を行う。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• バッチ予測を行う。

チュートリアルのステップ

• プロジェクトにローカル BigQuery テーブルを作成する
• BigQuery ML モデルをトレーニングする
• BigQuery ML モデルを評価する
• BigQuery ML モデルをクラウドモデルとしてエクスポートする
• Vertex AI Model リソースとしてモデルをアップロードする
• Vertex AI Vizier を使用して BigQuery ML モデルのハイパーパラメータをチューニングする
• BigQuery ML モデルを Vertex AI Model Registry に自動的に登録する

チュートリアルのステップ

• 花の測定値を入力として使用し、アヤメの種類を予測するモデルをトレーニングする。
• モデルとシリアル化されたプリプロセッサを保存する。
• 予測とヘルスチェックを処理する FastAPI サーバーを構築する。
• モデル アーティファクトを使用してカスタム コンテナをビルドする。
• カスタム コンテナをアップロードして Vertex AI エンドポイントにデプロイする。

チュートリアルのステップ

• モデルをトレーニングするための Vertex AI カスタム TrainingPipeline を作成する。
• TensorFlow モデルをトレーニングする。
• サービスを提供する Endpoint リソースに Model リソースをデプロイする。
• 予測を行う。
• Model リソースのデプロイを解除する。

チュートリアルのステップ

• モデルのトレーニング用の Vertex AI カスタムジョブを作成する。
• カスタム コンテナを使用して TensorFlow モデルをトレーニングして登録する。
• Vertex AI Model Registry から登録済みモデルのリストを取得する。

チュートリアルのステップ

• サービス アカウントと Cloud Storage バケットを設定する
• Vertex AI TensorBoard インスタンスを作成する
• カスタム トレーニング ジョブを作成して実行する
• Vertex AI TensorBoard Profiler ダッシュボードを表示する

チュートリアルのステップ

• Python パッケージを使用してトレーニングを行う。
• ハイパーパラメータ チューニングの実行中に精度を報告する。
• Cloud StorageFuse を使用して、モデル アーティファクトを Cloud Storage に保存する。
• Vertex AI Model リソースを作成する。

チュートリアルのステップ

• 事前トレーニング済みの画像分類モデルを Model リソース（モデル A）としてアップロードする。
• 事前トレーニング済みのテキスト センテンス エンコーダ モデルを Model リソース（モデル B）としてアップロードする。
• 共有 VM デプロイ リソースプールを作成する。
• 共有 VM デプロイ リソースプールを一覧表示する。
• 2 つの Endpoint リソースを作成する。
• デプロイ リソースプールを使用して、最初のモデル（モデル A）を最初の Endpoint リソースにデプロイする。
• デプロイ リソースプールを使用して、2 番目のモデル（モデル B）を 2 番目の Endpoint リソースにデプロイする。
• 最初にデプロイされたモデル（モデル A）を使用して予測リクエストを行う。
• 2 番目にデプロイされたモデル（モデル B）を使用して予測リクエストを行う。

チュートリアルのステップ

• TensorFlow モデルのトレーニング用の Vertex AI カスタムジョブを作成する。
• トレーニング済みモデルのアーティファクトを Model リソースとしてアップロードする。
• バッチ予測を行う。

チュートリアルのステップ

• TensorFlow モデルのトレーニング用の Vertex AI カスタムジョブを作成する。
• トレーニング済みモデルのアーティファクトを Model リソースにアップロードする。
• サービスを提供する Endpoint リソースを作成する。
• サービスを提供する Endpoint リソースに Model リソースをデプロイする。
• 予測を行う。
• Model リソースのデプロイを解除する。

チュートリアルのステップ

• AutoML トレーニングと互換性のある BigQuery テーブルから Vertex AI Dataset リソースを作成する。
• AutoML またはカスタム トレーニングと互換性のある Cloud Storage 内の CSV ファイルに、BigQuery からデータセットのコピーを抽出する。
• BigQuery データセットから、カスタム トレーニングと互換性のある Pandas DataFrame に変換する行を選択する。
• BigQuery データセットから、カスタム トレーニングの TensorFlow モデルと互換性のある tf.data.Dataset に変換する行を選択する。
• 抽出された CSV ファイルから、カスタム トレーニングの TensorFlow モデルと互換性のある tf.data.Dataset に変換する行を選択する。
• CSV ファイルから BigQuery データセットを作成する。
• BigQuery テーブルから、カスタム トレーニングの XGBoost モデルと互換性のある DMatrix にデータを抽出する。

チュートリアルのステップ

• データラベラー用のスペシャリスト プールを作成する。
• データラベル付けジョブを作成する。
• データラベル付けジョブを送信する。
• データラベル付けジョブの一覧を取得する。
• データラベル付けジョブをキャンセルする。

チュートリアルのステップ

• データ前処理のモジュールを実行する
• データセット アーティファクトを作成する
• パラメータをログに記録する
• モデルをトレーニングするためのモジュールを実行する
• パラメータをログに記録する
• モデル アーティファクトを作成する
• データセット、モデル、パラメータにトラッキング リネージを割り当てる

チュートリアルのステップ

• モデル パラメータをログに記録する
• 各エポックの損失と指標を Vertex AI TensorBoard に記録する
• 評価指標をログに記録する

チュートリアルのステップ

• トレーニング コンポーネントを形式化する
• トレーニング パイプラインを構築する
• 複数のパイプライン ジョブを実行し、結果をログに記録する
• さまざまなパイプライン ジョブを比較する

チュートリアルのステップ

• 事前定義された Key-Value ラベルペア <label_key, label_value=""></label_key,> を使用して TB のテストを削除する方法
• create_time より前に作成された TB テストを削除する方法
• update_time より前に作成された TB テストを削除する方法

チュートリアルのステップ

• スクリプトでモデルのテストを形式化する
• Vertex AI Training でローカル スクリプトを使用してモデル トレーニングを実行する
• Vertex AI Experiments で ML のテスト パラメータと指標を確認する

チュートリアルのステップ

• ローカル（ノートブック）トレーニング
• テストを作成する
• テストの初回実行を作成する
• パラメータと指標をログに記録する
• アーティファクト リネージを作成する
• テスト結果を可視化する
• 2 回目の実行を行う
• テストで 2 つの実行を比較する
• クラウド（Vertex AI）トレーニング
• トレーニング スクリプト内

チュートリアルのステップ

• Vertex AI SDK で自動ロギングを有効にする。
• scikit-learn モデルをトレーニングし、Vertex AI Experiments に自動ロギングされた指標とパラメータで実行されたテスト結果を確認する（テストの実行は設定しません）。
• TensorFlow モデルをトレーニングし、aiplatform.start_run() と aiplatform.end_run() でテスト実行を手動で設定して、Vertex AI Experiments に自動ロギングされた指標とパラメータを確認する。
• Vertex AI SDK で自動ロギングを無効にして PyTorch モデルをトレーニングし、パラメータや指標がログに記録されていないことを確認する。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• AutoML 表形式バイナリ分類モデルをトレーニングする。
• トレーニングされたモデルのモデル評価指標を表示する。
• 説明付きのバッチ予測リクエストを行う。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• AutoML 表形式バイナリ分類モデルをトレーニングする。
• トレーニングされたモデルのモデル評価指標を表示する。
• サービスを提供する Endpoint リソースを作成する。
• サービスを提供する Endpoint リソースに Model リソースをデプロイする。
• 説明付きのオンライン予測リクエストを行う。
• Model リソースのデプロイを解除する。

チュートリアルのステップ

• TensorFlow モデルのトレーニング用の Vertex AI カスタムジョブを作成する。
• トレーニングされたモデルのモデル評価を表示する。
• モデルがデプロイされたときの説明パラメータを設定する。
• トレーニング済みモデルのアーティファクトと説明パラメータを Model リソースとしてアップロードする。
• 説明付きのバッチ予測を行う。

チュートリアルのステップ

• TensorFlow モデルのトレーニング用の Vertex AI カスタムジョブを作成する。
• トレーニングされたモデルのモデル評価を表示する。
• モデルがデプロイされたときの説明パラメータを設定する。
• トレーニング済みモデルのアーティファクトと説明を Model リソースとしてアップロードする。
• サービスを提供する Endpoint リソースを作成する。
• サービスを提供する Endpoint リソースに Model リソースをデプロイする。
• 説明付きの予測を行う。
• Model リソースのデプロイを解除する。

チュートリアルのステップ

• TensorFlow モデルのトレーニング用の Vertex AI カスタムジョブを作成する。
• トレーニングされたモデルのモデル評価を表示する。
• モデルがデプロイされたときの説明パラメータを設定する。
• トレーニング済みモデルのアーティファクトと説明を Model リソースとしてアップロードする。
• 説明付きのバッチ予測を行う。

チュートリアルのステップ

• TensorFlow モデルのトレーニング用の Vertex AI カスタムジョブを作成する。
• トレーニングされたモデルのモデル評価を表示する。
• モデルがデプロイされたときの説明パラメータを設定する。
• トレーニング済みモデルのアーティファクトと説明を Model リソースとしてアップロードする。
• サービスを提供する Endpoint リソースを作成する。
• サービスを提供する Endpoint リソースに Model リソースをデプロイする。
• 説明付きの予測を行う。
• Model リソースのデプロイを解除する。

チュートリアルのステップ

• モデルのトレーニング用の Vertex カスタムジョブを作成する。
• TensorFlow モデルをトレーニングする。
• モデル アーティファクトを取得して読み込む。
• モデルの評価を表示する。
• 説明パラメータを設定する。
• モデルを Vertex AI Model リソースとしてアップロードする。
• サービスを提供する Endpoint リソースに Model リソースをデプロイする。
• 説明付きの予測を行う。
• Model リソースのデプロイを解除する。

チュートリアルのステップ

• TensorFlow Hub から事前トレーニング済みモデルをダウンロードする
• デプロイするモデルをアップロードする
• オンライン予測用のモデルをデプロイする
• 説明付きのオンライン予測を行う
• 説明付きのバッチ予測を行う

チュートリアルのステップ

• TensorFlow テキスト分類モデルの構築とトレーニングを行う
• デプロイするモデルをアップロードする
• オンライン予測用のモデルをデプロイする
• 説明付きのオンライン予測を行う

チュートリアルのステップ

• featurestore を作成する。
• featurestore に新しいエンティティ タイプを作成する。
• Pandas DataFrame から featurestore のエンティティ タイプに特徴値をインポートする。

チュートリアルのステップ

• データをホストして提供するためのオンラインの Feature Store インスタンスをプロビジョニングする。
• オンラインの Feature Store インスタンスで BigQuery ビューを登録し、同期ジョブを設定する。
• オンライン サーバーを使用して、オンライン予測の特徴値を取得する。

チュートリアルのステップ

• パブリックまたはプライベートのエンドポイントで、最適化されたオンライン サービングを使用して、データをホストして提供するオンラインの Feature Store インスタンスをプロビジョニングする。
• オンラインの Feature Store インスタンスで BigQuery ビューを登録し、同期ジョブを設定する。
• オンライン サーバーを使用して、オンライン予測の特徴値を取得する。

チュートリアルのステップ

• データをホストして提供するためのオンラインの Feature Store インスタンスをプロビジョニングする。
• BigQuery テーブルを提供するオンラインの Feature Store インスタンスを作成する。
• オンライン サーバーを使用して最近傍を探索する。

チュートリアルのステップ

• Featurestore、EntityType、Feature リソースを作成する。
• Pandas DataFrame からエンティティ タイプに特徴値をインポートする。
• オンラインの Feature Store から Pandas DataFrame にエンティティの特徴値を読み取る。
• Feature Store から Pandas DataFrame に特徴値をバッチ サービングする。
• 更新された特徴値を使用してオンライン サービングを行う。
• トレーニング用の特徴値を取得するための特定時点での正確性。

チュートリアルのステップ

• Featurestore、EntityType、Feature リソースを作成する。
• 特徴データを Featurestore リソースにインポートする。
• インポートされた特徴量を使用してオンラインの予測リクエストを処理する
• オフラインのジョブ（トレーニング ジョブなど）でインポートされた特徴量にアクセスする
• ストリーミング インポートを使用して少量のデータをインポートする。

チュートリアルのステップ

• 一括推論用の事前定義テンプレートを使用して、Vertex AI Pipeline ジョブを作成する。
• Vertex AI Pipelines を使用してパイプラインを実行する。
• 与えられたデータセットのモデルに対して予測結果を生成する。

チュートリアルのステップ

• モデルのチューニング ステップの数を設定する。
• チューニング用の事前定義テンプレートを使用して、Vertex AI Pipeline ジョブを作成する。
• Vertex AI Pipelines を使用してパイプラインを実行する。
• チューニングしたモデルでオンライン予測を実行する。

チュートリアルのステップ

• インストールとインポート
• エンベディング データセットを作成する
• インデックスを作成する
• インデックスをクエリする

チュートリアルのステップ

• インストールとインポート
• エンベディングを生成する

チュートリアルのステップ

• Vertex AI LLM モデルを取得する。
• モデルをチューニングする。
• これにより、Vertex AI エンドポイントが自動的に作成され、モデルがデプロイされます。
• Vertex AI LLM を使用して予測を行う。
• Vertex AI Prediction を使用して予測を行う。

チュートリアルのステップ

• Vertex AI PaLM API の予測エンドポイントを使用して、メッセージに対する生成 AI のレスポンスを受け取る。
• テキスト エンベディング エンドポイントを使用して、メッセージのベクトル表現を受け取る。
• 入出力トレーニング データに基づいて、LLM の迅速なチューニングを行う。

チュートリアルのステップ

• 画像データセットをエンベディングに変換する
• インデックスを作成する
• エンベディングをインデックスにアップロードする
• インデックス エンドポイントを作成する
• インデックスをインデックス エンドポイントにデプロイする
• オンライン クエリを実行する

チュートリアルのステップ

• ANN インデックスを作成する
• VPC ネットワークでインデックス エンドポイントを作成する
• ANN インデックスをデプロイする
• オンライン クエリを実行する

チュートリアルのステップ

• BigQuery データセットをエンベディングに変換する
• インデックスを作成する
• エンベディングをインデックスにアップロードする
• インデックス エンドポイントを作成する
• インデックスをインデックス エンドポイントにデプロイする
• オンライン クエリを実行する

チュートリアルのステップ

• ANN インデックスとブルート フォース インデックスを作成する
• VPC ネットワークで IndexEndpoint を作成する
• ANN インデックスとブルート フォース インデックスをデプロイする
• オンライン クエリを実行する
• 再現率を計算する

チュートリアルのステップ

• AutoML 画像分類モデルをトレーニングする。
• バッチ予測を行う。
• エンドポイントにモデルをデプロイする
• オンライン予測を行う

チュートリアルのステップ

• AutoML オブジェクト検出モデルをトレーニングする。
• バッチ予測を行う。
• エンドポイントにモデルをデプロイする
• オンライン予測を行う

チュートリアルのステップ

• AutoML 動画オブジェクト トラッキング モデルをトレーニングする。
• バッチ予測を行う。

チュートリアルのステップ

• Vertex AI Dataset リソースを作成する。
• モデルをトレーニングする。
• モデルの評価を表示する。
• サービスを提供する Endpoint リソースに Model リソースをデプロイする。
• 予測を行う。
• モデルのデプロイを解除する。

チュートリアルのステップ

• タスク名と Cloud Storage 接頭辞を設定する
• マネージド データセットを作成するために AutoML テキストデモのトレーニング データをコピーする
• Vertex AI でデータセットを作成する。
• トレーニング ジョブを構成する
• Vertex AI でトレーニング ジョブを起動してモデルを作成する
• バッチ予測ジョブを作成するために AutoML テキストデモ予測データをコピーする
• モデルでバッチ予測ジョブを実行する

チュートリアルのステップ

• タスク名と Cloud Storage 接頭辞を設定する
• マネージド データセットを作成するために AutoML 動画デモのトレーニング データをコピーする
• Vertex AI でデータセットを作成する。
• トレーニング ジョブを構成する
• Vertex AI でトレーニング ジョブを起動してモデルを作成する
• バッチ予測ジョブを作成するために AutoML 動画デモ予測データをコピーする
• モデルでバッチ予測ジョブを実行する

チュートリアルのステップ

• マネージド データセットを作成するために AutoML 動画デモのトレーニング データをコピーする
• Vertex AI でデータセットを作成する。
• トレーニング ジョブを構成する
• Vertex AI でトレーニング ジョブを起動してモデルを作成する
• バッチ予測ジョブを作成するために AutoML 動画デモ予測データをコピーする
• モデルでバッチ予測ジョブを実行する

チュートリアルのステップ

• AutoML 動画分類モデルをトレーニングする。
• バッチ予測を行う。

チュートリアルのステップ

• トレーニング コードを Python アプリケーションにパッケージ化する。
• Cloud Build と Artifact Registry を使用してトレーニング アプリケーションをコンテナ化する。
• Vertex AI でカスタム コンテナ トレーニング ジョブを作成して実行する。
• トレーニング ジョブから生成されたモデルを評価する。
• Vertex AI Model Registry でトレーニング済みモデルのモデルリソースを作成する。
• Vertex AI のバッチ予測ジョブを実行する。
• モデルリソースを Vertex AI Endpoint にデプロイする。
• モデルリソースに対してオンライン予測ジョブを実行する。
• 作成したリソースをクリーンアップする。

チュートリアルのステップ

• トレーニング コードを Python アプリケーションにパッケージ化する。
• Cloud Build と Artifact Registry を使用してトレーニング アプリケーションをコンテナ化する。
• Vertex AI でカスタム コンテナ トレーニング ジョブを作成して実行する。
• トレーニング ジョブから生成されたモデルを評価する。
• Vertex AI Model Registry でトレーニング済みモデルのモデルリソースを作成する。
• Vertex AI のバッチ予測ジョブを実行する。
• モデルリソースを Vertex AI Endpoint にデプロイする。
• モデルリソースに対してオンライン予測ジョブを実行する。
• 作成したリソースをクリーンアップする。

チュートリアルのステップ

• scikitlearn モデルのトレーニング用の Vertex AI カスタムジョブを作成する。
• トレーニング済みモデルのアーティファクトを Model リソースとしてアップロードする。
• バッチ予測を行う。
• エンドポイントにモデルをデプロイする
• オンライン予測を行う

チュートリアルのステップ

• scikitlearn モデルのトレーニング用の Vertex AI カスタムジョブを作成する。
• トレーニング済みモデルのアーティファクトを Model リソースとしてアップロードする。
• バッチ予測を行う。
• エンドポイントにモデルをデプロイする
• オンライン予測を行う

チュートリアルのステップ

• TensorFlow モデルをトレーニングするための Vertex AI ハイパーパラメータ チューニング ジョブを作成する。

チュートリアルのステップ

• 限定公開 Docker リポジトリを作成する。
• 限定公開 Docker リポジトリに固有のコンテナ イメージにタグを付ける。
• コンテナ イメージを限定公開 Docker リポジトリに push する。
• 限定公開 Docker リポジトリからコンテナ イメージを pull する。
• 限定公開 Docker リポジトリを削除する。

チュートリアルのステップ

• カスタム トレーニング ジョブのトレーニング パラメータと予測指標を追跡する。
• Experiment 内のすべてのパラメータと指標を抽出して分析する。

チュートリアルのステップ

• ローカルでトレーニングしたモデルのパラメータと指標を追跡する。
• Experiment 内のすべてのパラメータと指標を抽出して分析する。

チュートリアルのステップ

• Kubeflow Pipelines SDK を使用して Vertex AI で動作する ML パイプラインを構築する
• パイプラインがデータセットを作成し、scikitlearn モデルをトレーニングして、トレーニングしたモデルをエンドポイントにデプロイする
• アーティファクトとメタデータを生成するカスタム パイプライン コンポーネントを作成する
• Cloud コンソールとプログラムの両方で Vertex AI Pipelines の実行を比較する
• パイプライン生成アーティファクトのリネージを追跡する
• パイプライン実行メタデータをクエリする

チュートリアルのステップ

• Vertex AI データセットを作成する。
• Dataset リソースで Automl 表形式分類モデルをトレーニングする。
• トレーニング済みの AutoML モデルのリソースをパイプラインにインポートする。
• バッチ予測ジョブを実行する。
• 分類評価コンポーネントを使用して AutoML モデルを評価する。
• 分類指標を AutoML モデルリソースにインポートする。

チュートリアルのステップ

• Vertex AI データセットを作成する
• AutoMLTabularTrainingJob を構成する
• モデルを返す AutoMLTabularTrainingJob を実行する
• 事前トレーニング済みの AutoML モデルリソースをパイプラインにインポートする
• パイプラインでバッチ予測ジョブを実行する
• 分類評価コンポーネントを使用して AutoML モデルを評価する
• 分類指標を AutoML モデルリソースにインポートする

チュートリアルのステップ

• Vertex AI データセットを作成する。
• Dataset リソースで Automl テキスト分類モデルをトレーニングする。
• トレーニング済みの AutoML モデルのリソースをパイプラインにインポートする。
• バッチ予測ジョブを実行する。
• 分類評価コンポーネントを使用して AutoML モデルを評価する。
• 評価指標を AutoML モデルリソースにインポートする。

チュートリアルのステップ

• Vertex AI データセットを作成する。
• Vertex AI Dataset リソースで Automl Video Classification モデルをトレーニングする。
• トレーニング済みの AutoML Vertex AI Model リソースをパイプラインにインポートする。
• パイプライン内でバッチ予測ジョブを実行する。
• 分類評価コンポーネントを使用して AutoML モデルを評価する。
• 分類指標を AutoML Vertex AI Model リソースにインポートする。

チュートリアルのステップ

• 一般公開ソースからデータセットを取得する。
• データをローカルで前処理し、テストデータを BigQuery に保存する。
• scikitlearn Python パッケージを使用して、RandomForest 分類モデルをローカルでトレーニングする。
• 予測用のカスタム コンテナを Artifact Registry に作成する。
• Vertex AI Model Registry にモデルをアップロードする。
• Vertex AI パイプラインを作成して実行する。

チュートリアルのステップ

• モデルをトレーニングするための Vertex AI CustomTrainingJob を作成する。
• CustomTrainingJob を実行する。
• モデル アーティファクトを取得して読み込む。
• モデルの評価を表示する。
• モデルを Vertex AI Model リソースとしてアップロードする。
• 事前トレーニング済みの Vertex AI モデルリソースをパイプラインにインポートする。
• パイプラインでバッチ予測ジョブを実行する。
• 回帰評価コンポーネントを使用してモデルを評価する。
• 回帰指標を Vertex AI モデルリソースにインポートする。

チュートリアルのステップ

• 事前トレーニング済み（blessed）モデルを Vertex AI Model Registry にインポートする。
• カスタムモデル評価を作成する。
• Vertex AI Model Registry 内の対応モデルにモデル評価指標をインポートする。
• Vertex AI Model Registry 内の対応モデルのモデル評価を一覧表示する。
• 2 番目のカスタムモデル評価を作成する。
• 2 番目のモデル評価指標を Vertex AI Model Registry 内の対応するモデルにインポートする。
• Vertex AI Model Registry 内の対応モデルの 2 番目のモデル評価を一覧表示する。

チュートリアルのステップ

• 事前トレーニング済みのモデルを Vertex AI Model リソースとしてアップロードする。
• バッチ予測リクエストを生成する。
• モデル モニタリング機能で報告された統計、可視化、その他のデータを解釈する。

チュートリアルのステップ

• AutoML モデルをトレーニングする。
• Endpoint リソースに Model リソースをデプロイする。
• モデル モニタリング用のエンドポイント リソースを構成する。
• スキューの合成予測リクエストを生成する。
• ドリフトの合成予測リクエストを生成する。
• メール通知アラートの通知が届くまで待つ。

チュートリアルのステップ

• 1. AutoML 画像分類モデルをトレーニングする。
• 2. 分布外と分布内の画像の両方を含むバッチ予測を送信する。
• 3. Model Monitoring を使用して、各画像の異常スコアを計算する。
• 4. バッチ予測リクエスト内で分布外の画像を特定する。

チュートリアルのステップ

• 1. AutoML 画像分類モデルをトレーニングする。
• 2. エンドポイントを作成する
• 3. エンドポイントにモデルをデプロイして、モデルのモニタリングを構成する。
• 4. 分布外と分布内の画像の両方を含むオンライン予測を送信する。
• 5. Model Monitoring を使用して、各画像の異常スコアを計算する。
• 6. オンライン予測リクエスト内で分布外の画像を特定する。

チュートリアルのステップ

• 事前トレーニング済みのカスタム表形式モデルをダウンロードする。
• 事前トレーニング済みモデルを Model リソースとしてアップロードする。
• Endpoint リソースに Model リソースをデプロイする。
• モデル モニタリング用のエンドポイント リソースを構成する。
• スキューの合成予測リクエストを生成する。
• メール通知アラートの通知が届くまで待つ。
• ドリフトの合成予測リクエストを生成する。
• メール通知アラートの通知が届くまで待つ。

チュートリアルのステップ

• 事前トレーニング済みのカスタム表形式モデルをダウンロードする。
• 事前トレーニング済みモデルを Model リソースとしてアップロードする。
• TensorFlow Serving サービング バイナリを使用して、Endpoint リソースに Model リソースをデプロイする。
• モデル モニタリング用のエンドポイント リソースを構成する。
• スキューの合成予測リクエストを生成する。
• メール通知アラートの通知が届くまで待つ。
• ドリフトの合成予測リクエストを生成する。
• メール通知アラートの通知が届くまで待つ。

チュートリアルのステップ

• 事前トレーニング済みのカスタム表形式モデルをダウンロードする。
• 事前トレーニング済みモデルを Model リソースとしてアップロードする。
• Endpoint リソースに Model リソースをデプロイする。
• モデル モニタリング用のエンドポイント リソースを構成する。
• 特徴入力のスキューとドリフトを検出する。
• 特徴アトリビューションのスキューとドリフトを検出する。
• 1,000 件の予測リクエストを送信して、入力スキーマを自動生成する。
• モニタリング ジョブを一覧表示、一時停止、再開、削除する。
• 事前定義された入力スキーマを使用してモニタリング ジョブを再起動する。
• ログに記録されたモニタリング対象データを表示する。

チュートリアルのステップ

• 事前トレーニング済みの XGBoost モデルをダウンロードする。
• 事前トレーニング済みモデルを Model リソースとしてアップロードする。
• Endpoint リソースに Model リソースをデプロイする。
• モデル モニタリング用のエンドポイント リソースを構成する

チュートリアルのステップ

• 事前トレーニング済みのモデルを Vertex AI Model リソースとしてアップロードする。
• Vertex AI Endpoint リソースを作成する。
• Endpoint リソースに Model リソースをデプロイする。
• モデル モニタリング用のエンドポイント リソースを構成する。
• モデルのモニタリング用にベースライン分布を初期化する。
• 合成予測リクエストを生成する。
• モデル モニタリング機能で報告された統計、可視化、その他のデータの解釈方法を理解する。

チュートリアルのステップ

• モデルの最初のバージョンを作成して Vertex AI Model Registry に登録する。
• モデルの 2 番目のバージョンを作成して Vertex AI Model Registry に登録する。
• デフォルト（blessed）のモデル バージョンを更新する。
• モデル バージョンを削除する。
• 次のモデル バージョンを再トレーニングする。

チュートリアルのステップ

• KFP パイプラインを作成する

チュートリアルのステップ

• 事前トレーニング済み（blessed）モデルを Vertex AI Model Registry にインポートする。
• 合成モデル評価指標を対応する（blessed）モデルにインポートする。
• Vertex AI Endpoint リソースを作成する。
• blessed モデルを Endpoint リソースにデプロイする。
• Vertex AI Pipelines でパイプラインを作成する。
• blessed モデルを取得する。
• 事前トレーニング済みモデルの別のインスタンス（challenger）をインポートする。
• 事前トレーニング済み（challenger）モデルを既存のモデルの新しいバージョンとして登録する。
• 合成モデルの評価を作成する。
• 対応する challenger モデルに合成モデルの評価指標をインポートする。
• 評価を比較し、blessed または challenger をデフォルトとして設定する。
• 新しい blessed モデルをデプロイする。

チュートリアルのステップ

• KFP パイプラインを作成する

チュートリアルのステップ

• KFP パイプラインを作成する

チュートリアルのステップ

• BigQuery でデータセットを作成する。
• バッチ予測用にソース データセット以外のデータをいくつか設定する。
• トレーニング アプリケーション用のカスタム Python パッケージを作成する。
• Python パッケージを Cloud Storage にアップロードする。
• Vertex AI パイプラインを作成する。

チュートリアルのステップ

• パイプラインを構築する

チュートリアルのステップ

• 自己完結型のトレーニング ジョブを持つカスタム コンポーネントを作成する。
• マシンリソースのコンポーネント レベルの設定を使用してパイプラインを実行する
• 自己完結型のトレーニング コンポーネントを Vertex AI CustomJob に変換する。
• マシンリソースの customjoblevel 設定を使用してパイプラインを実行する

チュートリアルのステップ

• KFP パイプラインを作成する

チュートリアルのステップ

• KFP パイプラインを作成する

チュートリアルのステップ

• KFP パイプラインを作成する

チュートリアルのステップ

• BigQuery にデータを取り込む Dataflow ジョブのコンポーネントを作成する。
• BigQuery のデータに対して実行する前処理ステップ用のコンポーネントを作成する。
• BigQuery ML を使用してロジスティック回帰モデルをトレーニングするためのコンポーネントを作成する。
• 作成したすべてのコンポーネントを使用して Kubeflow DSL パイプラインを構築し、構成する。
• Vertex AI Pipelines でパイプラインをコンパイルして実行する。

チュートリアルのステップ

• KFP パイプラインを作成する

チュートリアルのステップ

• 事前トレーニング済みモデルを Model リソースとしてアップロードする。
• グラウンド トゥルースのデータを使用して、Model リソースで BatchPredictionJob を実行する。
• モデルリソースに関する評価指標アーティファクトを生成する。
• 評価指標をしきい値と比較する。

チュートリアルのステップ

• KFP パイプラインを作成する

チュートリアルのステップ

• Python 関数ベースの KFP コンポーネントを構築する。
• KFP パイプラインを構築する。
• パス参照と値の両方で、コンポーネント間でアーティファクトとパラメータを渡す。
• kfp.dsl.importer メソッドを使用する。
• KFP パイプラインをコンパイルする。
• Vertex AI Pipelines を使用して KFP パイプラインを実行する

チュートリアルのステップ

• KFP コンポーネントを作成する

チュートリアルのステップ

• 事前トレーニング済み（champion）モデルを Vertex AI Model Registry にインポートする。
• 合成モデル トレーニングの評価指標を対応する（champion）モデルにインポートする。
• Vertex AI Endpoint リソースを作成する。
• champion モデルを Endpoint リソースにデプロイする。
• デプロイしたモデルの追加（contender）バージョンをインポートする。
• 合成モデル トレーニングの評価指標を対応する（contender）モデルにインポートする。
• Vertex AI Pipelines でパイプラインを作成する。
• champion モデルを取得する。
• （架空の）本番環境データで champion モデルをファインチューニングする。
• champion モデルの合成トレーニングと本番環境の評価指標をインポートする。
• contender モデルを取得する。
• （架空の）本番環境データで contender モデルをファインチューニングする。
• contender モデルの合成トレーニングと本番環境の評価指標をインポートする。
• contender の評価を champion と比較し、新しい champion をデフォルトとして設定する。
• 新しい champion モデルをデプロイする。

チュートリアルのステップ

• Vertex AI パイプラインを定義してコンパイルする。
• パイプラインの実行に使用するサービス アカウントを指定する。

チュートリアルのステップ

• BigQuery と Vertex AI Training データセットを作成する。
• BigQuery ML と AutoML モデルをトレーニングする。
• BigQuery ML モデルと AutoML モデルから評価指標を抽出する。
• 最適なトレーニング済みモデルを選択する。
• 最適なトレーニング済みモデルをデプロイする。
• デプロイされたモデル インフラストラクチャをテストする。

チュートリアルのステップ

• モデルをトレーニングするための Vertex AI カスタム TrainingPipeline を作成する。
• TensorFlow モデルをトレーニングする。
• バッチ予測ジョブを送信する。

チュートリアルのステップ

• TensorFlow Hub からモデル アーティファクトをダウンロードする。
• モデルの Triton サービング構成ファイルを作成する。
• モデルのデプロイ用に Triton サービング イメージを含むカスタム コンテナをビルドする。
• モデルを Vertex AI Model リソースとしてアップロードする。
• Vertex AI Model リソースを Vertex AI Endpoint リソースにデプロイする。
• 予測リクエストを行う
• Model リソースのデプロイを解除して Endpoint を削除する

チュートリアルのステップ

• TensorFlow 1.x Estimator の事前トレーニング済み表形式分類モデルのアーティファクトをダウンロードする。
• TensorFlow Estimator モデルを Vertex AI Model リソースとしてアップロードする。
• Endpoint リソースを作成する。
• Model リソースを Endpoint リソースにデプロイする。
• Endpoint リソースにデプロイされた Model リソース インスタンスに対して、オンラインの未加工予測を行う。

チュートリアルのステップ

• TensorFlow Hub から事前トレーニング済み画像分類モデルをダウンロードする。
• 圧縮画像データを受け取り、モデル入力用に分解された前処理済みデータを出力するサービング関数を作成する。
• TensorFlow Hub モデルとサービング関数を Vertex AI Model リソースとしてアップロードする。
• Endpoint リソースを作成する。
• TensorFlow Serving サービング バイナリを使用して、Endpoint リソースに Model リソースをデプロイする。
• Endpoint リソースにデプロイされた Model リソース インスタンスに対して、オンライン予測を行う。
• Model リソース インスタンスに対するバッチ予測を行う。

チュートリアルのステップ

• Private Endpoint リソースを作成する。
• VPC ピアリング接続を構成する。
• Private Endpoint リソースにデプロイするための Model リソースのサービング バイナリを構成する。
• Private Endpoint リソースに Model リソースをデプロイする。
• Private Endpoint に予測リクエストを送信する。

チュートリアルのステップ

• 事前トレーニング済みのテキスト生成モデルを読み込む。
• 非ストリーミング予測を行う。
• ストリーミングをサポートする事前トレーニング済みのテキスト生成モデルを読み込む。
• ストリーミング予測を行う。
• 事前トレーニング済みのチャットモデルを読み込む。
• ローカルでのインタラクティブなチャット セッションを開始する。
• テキスト生成モデルを使用してバッチ予測を行う。
• テキスト エンベディング モデルを使用してバッチ予測を行う。

チュートリアルのステップ

• PyTorch から事前トレーニング済み画像モデルをダウンロードする
• カスタム モデルハンドラを作成する
• モデル アーカイブ ファイルにモデル アーティファクトをパッケージ化する
• デプロイするモデルをアップロードする
• 予測用のモデルをデプロイする
• オンライン予測を行う
• バッチ予測を行う

チュートリアルのステップ

• トレーニング アプリケーションを Python ソース ディストリビューションにパッケージ化する
• ビルド済みコンテナでトレーニング ジョブを構成して実行する
• モデル アーカイブ ファイルにモデル アーティファクトをパッケージ化する
• デプロイするモデルをアップロードする
• 予測にビルド済みコンテナを使用してモデルをデプロイする
• オンライン予測を行う

チュートリアルのステップ

• PyTorch 分散トレーニング アプリケーションを作成する
• トレーニング アプリケーションをビルド済みコンテナにパッケージ化する
• Reduction Server を使用して Vertex AI でカスタムジョブを作成する
• ジョブを送信してモニタリングする

チュートリアルのステップ

• タスク名と Cloud Storage 接頭辞を設定する
• マネージド データセットを作成するために AutoML 動画デモのトレーニング データをコピーする
• Vertex AI でデータセットを作成する。
• トレーニング ジョブを構成する
• Vertex AI でトレーニング ジョブを起動してモデルを作成する
• バッチ予測ジョブを作成するために AutoML 動画デモ予測データをコピーする
• モデルでバッチ予測ジョブを実行する

チュートリアルのステップ

• Vertex AI マネージド データセットを作成するために、データをダウンロードして CSV ファイルを準備するユーティリティ関数を作成する
• データをダウンロードする
• マネージド データセット作成用の CSV ファイルを準備する
• カスタム トレーニング Python パッケージを作成する
• TensorFlow Serving コンテナを作成する
• マネージド テキスト データセットを使用してカスタム Python パッケージ トレーニングを実行する
• モデルをデプロイし、Vertex AI で Endpoint を作成する
• Endpoint で予測を行う
• Model でバッチ予測ジョブを作成する

チュートリアルのステップ

• プロジェクトをセットアップする。
• Syn2 データの事前トレーニング モデルの予測データをダウンロードする。
• マスク出力に基づいて特徴の重要度を可視化して理解する。
• このチュートリアルで作成したリソースをクリーンアップする。

チュートリアルのステップ

• トレーニング データを取得する。
• Vertex AI TabNet コンテナのトレーニング パラメータを構成する。
• Vertex AI Training で CSV データを使用してモデルをトレーニングする。
• モデルを Vertex AI Model リソースとしてアップロードする。
• Vertex AI Model リソースを Vertex AI Endpoint リソースにデプロイする。
• デプロイしたモデルで予測を行う。
• Vertex AI TabNet モデルのハイパーパラメータ チューニングを行う。

チュートリアルのステップ

• 1. 設定

チュートリアルのステップ

• 1. Prophet モデルをトレーニングする。
• 1. 評価指標を表示する。
• 1. Prophet モデルでバッチ予測を行う。

チュートリアルのステップ

• TabNet CustomJob を作成する。これは、トレーニングに使用するハイパーパラメータを把握できている場合に最適なオプションです。
• TabNet HyperparameterTuningJob を作成する。これにより、データセットに最適なハイパーパラメータのセットを取得できます。

チュートリアルのステップ

• ワイド＆ディープの CustomJob を作成する。これは、トレーニングに使用するハイパーパラメータを把握できている場合に最適なオプションです。
• ワイド＆ディープの HyperparameterTuningJob を作成する。これにより、データセットに最適なハイパーパラメータのセットを取得できます。

チュートリアルのステップ

• Docker リポジトリと構成ファイルを作成する。
• カスタマイズしたトレーニング コードを使用してカスタム コンテナ イメージを作成する。
• サービス アカウントと Google Cloud Storage バケットを設定する。
• カスタム コンテナでカスタム トレーニング ジョブを作成し、起動する。

チュートリアルのステップ

• サービス アカウントと Google Cloud Storage バケットを設定する。
• カスタマイズされたトレーニング コードを記述する。
• トレーニング コードをパッケージ化して Google Cloud Storage にアップロードする。
• ほぼリアルタイムのモニタリング用に有効にした Vertex AI TensorBoard を使用してカスタム トレーニング ジョブを作成し、起動する。

チュートリアルのステップ

• TensorFlow を実行して、ハイパーパラメータと指標をログに記録する。
• 実行を開始し、それらすべてを 1 つの親ディレクトリに記録する。
• Vertex AI TensorBoard の HParams ダッシュボードで結果を可視化する。

チュートリアルのステップ

• サービス アカウントと Cloud Storage バケットを設定する
• Vertex AI TensorBoard インスタンスを作成する
• Vertex AI TensorBoard Profiler を有効にするカスタム トレーニング ジョブを作成して実行する
• Vertex AI TensorBoard Profiler ダッシュボードを表示してモデルのパフォーマンスをデバッグする

チュートリアルのステップ

• カスタム トレーニング コードを準備し、トレーニング コードを Python パッケージとしてビルド済みコンテナに読み込む
• Vertex AI TensorBoard Profiler を有効にするカスタム トレーニング ジョブを作成して実行する
• Vertex AI TensorBoard Profiler ダッシュボードを表示してモデルのパフォーマンスをデバッグする

チュートリアルのステップ

• サービス アカウントと Google Cloud Storage バケットを設定する。
• カスタム トレーニング コードを使用して KFP パイプラインを構築する。
• ほぼリアルタイムでのモニタリングのために有効にした Vertex AI TensorBoard を使用して、Vertex AI Pipelines で KFP パイプラインをコンパイルして実行する。

チュートリアルのステップ

• Python パッケージを使用してトレーニングを行う。
• ハイパーパラメータ チューニングの実行中に精度を報告する。
• Cloud StorageFuse を使用して、モデル アーティファクトを Cloud Storage に保存する。

チュートリアルのステップ

• Python パッケージを使用してトレーニングを行う。
• Cloud StorageFuse を使用して、モデル アーティファクトを Cloud Storage に保存する。
• FastAPI 予測サーバーを構築する。
• Dockerfile デプロイ イメージを作成する。
• デプロイ イメージをローカルでテストする。
• Vertex AI Model リソースを作成する。

チュートリアルのステップ

• MirroredStrategy

チュートリアルのステップ

• 自動でハイパーパラメータ チューニングを行うように、トレーニング アプリケーションのコードを変更する。
• トレーニング アプリケーション コードをコンテナ化する。
• Vertex AI Python SDK を使用して、ハイパーパラメータ チューニング ジョブを構成して起動する。

チュートリアルのステップ

• Python パッケージを使用してトレーニングを行う。
• ハイパーパラメータ チューニングの実行中に精度を報告する。
• Cloud StorageFuse を使用して、モデル アーティファクトを Cloud Storage に保存する。
• Vertex AI Model リソースを作成する。

チュートリアルのステップ

• Google Cloud プロジェクトの設定

チュートリアルのステップ

• Artifact Registry と Docker を使用してカスタム コンテナをビルドする
• Vertex AI のテストを保存する Vertex AI TensorBoard インスタンスを作成する
• Vertex AI SDK CustomContainerTrainingJob を実行する

チュートリアルのステップ

• テキスト分類モデル用のトレーニング パッケージを作成する。
• Vertex AI でカスタム トレーニングを使用してモデルをトレーニングする。
• 作成されたモデル アーティファクトを確認する。
• 予測用のカスタム コンテナを作成する。
• 予測用のカスタム コンテナを使用して、トレーニング済みモデルを Vertex AI Endpoint にデプロイする。
• デプロイされたモデルにオンライン予測リクエストを送信し、検証する。
• このノートブックで作成したリソースをクリーンアップする。

チュートリアルのステップ

• トレーニング用とテスト用のデータセットを作成して、モデルをトレーニングするカスタム トレーニング スクリプトを作成する。
• Vertex AI SDK CustomTrainingJob を実行する。

チュートリアルのステップ

• マスターノードで ETCD クラスタを起動するシェル スクリプトを作成する
• PyTorch Elastic の GitHub リポジトリのコードを使用してトレーニング スクリプトを作成する
• データをダウンロードするコンテナを作成し、ホストで ETCD クラスタを起動する
• GPU で複数のノードを使用してモデルをトレーニングする

チュートリアルのステップ

• Google Cloud プロジェクトの PROJECT_ID 変数と REGION 変数を構成する。
• モデル アーティファクトを保存する Cloud Storage バケットを作成する。
• トレーニング コードをホストするカスタム Docker コンテナをビルドし、そのコンテナ イメージを Artifact Registry に push する。
• Vertex AI SDK CustomContainerTrainingJob を実行する

チュートリアルのステップ

チュートリアルのステップ

• ランダム アルゴリズムを使用したハイパーパラメータ チューニング。
• Vizier（ベイジアン）アルゴリズムによるハイパーパラメータ チューニング。
• Vizier スタディに対するトライアルの提案と結果の更新

チュートリアルのステップ

• BigQuery から必要なデータを取得する
• データの前処理を行う
• TensorFlow（2.4 以上）分類モデルをトレーニングする
• トレーニング済みモデルの損失を評価する
• エグゼキュータ機能を使用してノートブックの実行を自動化する
• モデルを Cloud Storage パスに保存する
• 作成したリソースをクリーンアップする

チュートリアルのステップ

• 「BigQuery in Notebooks」を使用してデータセットを読み込む。
• データセットに対して探索的データ分析を実行する。
• 特徴の選択と前処理を行う。
• scikitlearn を使用した線形回帰モデルを構築する。
• Vertex Explainable AI のモデルを構成する。
• Vertex AI にモデルをデプロイする。
• デプロイされたモデルをテストする。
• クリーンアップする。

チュートリアルのステップ

• データを探索する
• BigQuery と ARIMA モデルを使用してモデリングを行う
• モデルを評価する
• トレーニング データに BigQuery ML を使用してモデルの結果を評価する
• テストデータを使用してモデルの結果（MAE、MAPE、MSE、RMSE）を評価する
• エグゼキュータ機能を使用する

チュートリアルのステップ

• Python と SQL を使用して BigQuery で一般公開データをクエリする
• BigQuery INFORMATION_SCHEMA を使用してデータセットを探索する
• データの対象部分を探索するためにインタラクティブな要素を作成する
• 探索的な相関分析と時系列分析を行う
• ノートブックで、静的でインタラクティブな出力（データテーブルとプロット）を作成する
• 一部の出力を Cloud Storage に保存する

チュートリアルのステップ

• 必要なライブラリをインストールする
• Cloud Storage バケットからデータセットを読み取る
• データセットの探索的分析を行う
• データセットの前処理を行う
• scikitlearn を使用してランダム フォレスト モデルのトレーニングを行う
• モデルを Cloud Storage バケットに保存する
• Vertex AI モデルリソースを作成しエンドポイントにデプロイする
• テストデータで What-If ツールを実行する
• モデルのデプロイを解除し、モデルリソースをクリーンアップする

チュートリアルのステップ

• BigQuery で Google アナリティクス 4 データのエクスポートを探索する。
• ユーザー属性、行動データ、ラベル（チャーン / 非チャーン）を使用して、トレーニング データを準備する。
• BigQuery ML を使用して XGBoost モデルをトレーニングする。
• BigQuery ML を使用してモデルを評価する。
• BigQuery ML を使用して、離脱するユーザーを予測する。

チュートリアルのステップ

• BigQuery in Notebooks インテグレーションを使用して、BigQuery からデータセットを読み込む。
• データセットを分析する。
• データセット内の特徴を前処理する。
• 商品が今後 60 日以内に販売されるかどうかを予測するランダム フォレスト分類モデルを構築する。
• モデルを評価する。
• Vertex AI を使用してモデルをデプロイする。
• What-If ツールで構成してテストする。

チュートリアルのステップ

• Cloud Storage バケットから必要なデータセットを読み込む。
• データセット内のフィールドを分析する。
• 予測メンテナンス モデルに必要なデータを選択する。
• 残存耐用年数を予測する XGBoost 回帰モデルをトレーニングする。
• モデルを評価する。
• エグゼキュータを使用して、トレーニング ジョブとしてノートブックをエンドツーエンドで実行する。
• Vertex AI にモデルをデプロイする。
• クリーンアップする。

チュートリアルのステップ

• Cloud Storage バケットから必要なデータセットを読み込む。
• データセット内のフィールドを分析する。
• データを処理してモデルを構築する。
• 処理済みのデータで BigQuery ML 予測モデルを構築する。
• BigQuery ML モデルから予測値を取得する。
• 予測を解釈して最適な価格を特定する。
• クリーンアップする。

チュートリアルのステップ

• 必要なデータを読み込む。
• データの前処理を行う。
• モデルに必要なデータを選択する。
• Vertex AI マネージド データセットにデータセットを読み込む
• AutoML テキスト トレーニングを使用して感情モデルをトレーニングする。
• モデルを評価する。
• Vertex AI にモデルをデプロイする。
• 予測を取得する。
• クリーンアップする。

チュートリアルのステップ

• Google Cloud プロジェクトと Dataproc クラスタを設定する。
• sparkbigqueryconnector を構成する
• BigQuery から Spark DataFrame にデータを取り込む。
• 取り込まれたデータの前処理を行う。
• モノグロット リポジトリで最もよく使用されているプログラミング言語をクエリする。
• モノグロット リポジトリに保存された各言語のコードの平均サイズ（MB）をクエリする。
• ポリグロット リポジトリで最もよく見られる言語ファイルをクエリする。
• クエリ結果を BigQuery に書き戻す。
• このノートブック チュートリアル用に作成したリソースを削除する。

チュートリアルのステップ

• Google Cloud プロジェクトと Dataproc クラスタを設定する。
• Cloud Storage バケットと BigQuery データセットを作成する。
• sparkbigqueryconnector を構成する。
• BigQuery データを Spark DataFrame に取り込む。
• 探索的データ分析（EDA）を実行する。
• サンプルを使用してデータを可視化する。
• データをクリーニングする。
• 特徴を選択する。
• モデルをトレーニングする。
• 結果を出力する。
• モデルを Cloud Storage バケットに保存する。
• チュートリアル用に作成したリソースを削除する。