Curso de GCP Professional Machine Learning Engineer
Curso estructurado de GCP Machine Learning Engineer sobre arquitectura de ML, pipelines, Vertex AI, escalabilidad, seguridad y MLOps, con preguntas.
Contenido original de práctica: estas preguntas son ejercicios escritos de forma independiente. No son preguntas oficiales ni reales de examen, y QuestionBank no está afiliado ni respaldado por ninguna organización de exámenes o administradora de pruebas.
Progreso del curso
0 / 5
Volver a los cursos
Qué aprenderás
- Describir arquitectura Vertex AI.
- Construir pipelines de datos.
- Entrenar y servir modelos.
- Explicar escalabilidad y seguridad.
- Describir MLOps y gobernanza.
Antes de empezar
- Se recomienda experiencia práctica en ML.
- Ayuda conocer servicios de datos y ML de Google Cloud.
- Conviene conocer Python y contenedores.
Lección 1 Arquitectura de soluciones de ML con Vertex AI
Vertex AI centraliza entrenamiento, AutoML, endpoints, pipelines, experimentos y feature store. Diseña flujos reproducibles, separa versionado y sirve predicciones con endpoints. TensorBoard compara ejecuciones y Model Garden ofrece modelos listos.
Ejemplo
Ejemplo: un equipo usa Pipelines, Experiments, Feature Store y un endpoint para llevar un modelo a producción.Lección 2 Construcción de pipelines de datos de alto rendimiento
Dataflow unifica streaming y batch, Pub/Sub ingiere eventos, BigQuery analiza con SQL y Cloud Storage guarda artefactos. Dataproc ejecuta Spark, Composer orquesta y reservations controlan costo. Diseña según latencia, volumen y frescura.
Ejemplo
Ejemplo: un pipeline de streaming lee eventos de Pub/Sub, transforma con Dataflow y sirve features.Lección 3 Entrenamiento y servicio de modelos en Vertex AI
Custom jobs ejecutan tus contenedores, AutoML entrena sin código y tuning busca parámetros. Vizier optimiza, Explainable AI explica, Forecast predice series. El registry versiona y los endpoints dividen tráfico.
Ejemplo
Ejemplo: entrenan un container, registran la mejor versión y despliegan con 10% de tráfico.Lección 4 Escalabilidad, seguridad y cumplimiento
min/max replicas y autoscaling absorben tráfico, batch prediction maneja cargas grandes. Quotas limitan GPUs y TPUs. VPC-SC, CMEK, endpoints privados y cuentas de servicio dan seguridad. DLP desidentifica datos.
Ejemplo
Ejemplo: un endpoint usa 2-10 réplicas y VPC-SC con endpoint privado.Lección 5 MLOps, monitoreo y gobernanza
Model Monitoring detecta skew y drift, Registry versiona y alias permite rollout gradual. Caching evita pasos repetidos, Metadata guarda linaje y Logging audita. Retraining continuo mantiene modelos actuales.