Kursus GCP Professional Machine Learning Engineer
Kursus GCP Machine Learning Engineer terstruktur tentang arsitektur ML, pipeline data, Vertex AI, skalabilitas, keamanan, dan MLOps, dengan soal.
Konten latihan orisinal: soal-soal ini adalah latihan yang ditulis secara mandiri. Bukan soal ujian resmi atau asli, dan QuestionBank tidak berafiliasi dengan atau didukung oleh organisasi ujian atau penyelenggara tes mana pun.
Kemajuan kursus
0 / 5
Kembali ke kursus
Yang akan Anda pelajari
- Menjelaskan arsitektur Vertex AI.
- Membangun pipeline data.
- Melatih dan melayani model.
- Menjelaskan skalabilitas dan keamanan.
- Menjelaskan MLOps dan tata kelola.
Sebelum mulai
- Disarankan pengalaman praktis membangun model ML.
- Membantu familiar layanan data dan ML Google Cloud.
- Pemahaman Python dan workload container membantu.
Pelajaran 1 Merancang Solusi ML dengan Vertex AI
Vertex AI memusatkan training, AutoML, endpoint, pipeline, eksperimen, dan feature store. Rancang alur yang dapat diulang, pisahkan versi model, dan layani prediksi lewat endpoint. TensorBoard membandingkan run, Model Garden menyediakan model siap pakai.
Contoh
Contoh: tim memakai Pipelines, Experiments, Feature Store, dan endpoint untuk membawa model ke produksi.Pelajaran 2 Membangun Pipeline Data Berkinerja Tinggi
Dataflow satukan streaming dan batch, Pub/Sub terima event, BigQuery analisis SQL, Cloud Storage simpan artefak. Dataproc jalankan Spark, Composer orkestrasi, reservation kendalikan biaya.
Contoh
Contoh: pipeline streaming baca event dari Pub/Sub, transformasi dengan Dataflow, layani fitur.Pelajaran 3 Melatih dan Melayani Model di Vertex AI
Custom job jalankan kontainer Anda, AutoML latih tanpa kode, tuning cari parameter. Vizier optimalkan, Explainable AI jelaskan, Forecast ramal deret waktu. Registry versikan, endpoint bagi trafik.
Contoh
Contoh: tim melatih container custom, mendaftar versi terbaik, dan rilis dengan 10% trafik.Pelajaran 4 Skalabilitas, Keamanan dan Kepatuhan
min/max replica dan autoscaling serap trafik, batch prediction tangani beban besar. Kuota batasi GPU/TPU. VPC-SC, CMEK, endpoint privat, service account beri keamanan. DLP de-identifikasi data.
Contoh
Contoh: endpoint pakai 2-10 replika, VPC-SC dan endpoint privat.Pelajaran 5 MLOps, Pemantauan dan Tata Kelola
Model Monitoring deteksi skew dan drift, Registry kelola versi dan alias. Cache hindari langkah berulang, Metadata simpan lineage, Logging audit. Continuous training jaga model tetap mutakhir.