Kursbeschreibung
In diesem Grundlagen-Seminar entwickelst du ein klares Vorgehen, wie Machine Learning in Google Vertex AI von Anfang bis Betrieb umgesetzt wird. Der Kurs ist bewusst so aufgebaut, dass du nach jedem Abschnitt einen greifbaren Baustein hast, den du in dein eigenes Projekt übertragen kannst. Du beginnst mit den technischen und organisatorischen Voraussetzungen: Projektstruktur, IAM, Service Accounts, API-Aktivierung sowie Entscheidungen zu Regionen, Quotas und Kosten. Damit vermeidest du typische Startprobleme wie fehlende Berechtigungen, unklare Verantwortlichkeiten oder unerwartete Kosten. Anschließend arbeitest du an der Datenbasis. Du lernst, Daten aus BigQuery und Cloud Storage einzubinden, Datenqualität zu prüfen und Stolperfallen wie Data Leakage zu umgehen. Du bekommst ein solides Verständnis, wann Feature Store Konzepte helfen und welche Alternativen es gibt, wenn du zunächst schneller liefern musst. Im nächsten Schritt setzt du Training um: AutoML Tabular als schneller Weg zu belastbaren Baselines und Custom Training Jobs, wenn du Kontrolle über Container-Images, Abhängigkeiten und Reproduzierbarkeit brauchst. Hyperparameter Tuning wird so eingeordnet, dass du es gezielt und nicht „auf Verdacht“ einsetzt. Du trackst Experimente, vergleichst Runs, verwaltest Modelle in der Model Registry und versionierst sauber. Mit Vertex AI Pipelines machst du aus einzelnen Schritten einen wiederholbaren Ablauf mit Parametern, Artefakten und Caching. Zum Abschluss deployest du über Endpoints, steuerst Traffic Splits, planst Rollbacks, nutzt Batch Prediction und richtest Monitoring ein, das Drift sichtbar macht und Alarme auslöst. So wird Vertex AI zu einem verlässlichen ML-Prozess statt zu einer Sammlung einzelner Tools.
Die wichtigsten Themen im Überblick
- Vertex AI Setup mit IAM, APIs und Kostenhebeln sicher planen
- ML-Daten aus BigQuery und Cloud Storage sauber vorbereiten
- AutoML und Custom Training Jobs praxisnah einsetzen
- Experimente, Metriken und Modellversionen nachvollziehbar steuern
- Vertex AI Pipelines statt fehleranfälliger Notebook-Abläufe bauen
- Deployments mit Endpoints, Traffic Splits und Rollback umsetzen
- Online und Batch Predictions mit Kostenkontrolle betreiben
- Drift, Monitoring und Retraining für den Betrieb einrichten
Zielgruppe
- Data Scientists, die Vertex AI produktionsnah nutzen wollen
- ML Engineers, die Pipelines, Deployment und Betrieb aufbauen
- Cloud Engineers, die IAM, Security und Plattformbetrieb begleiten
- Analytics Engineers, die Daten aus BigQuery für ML bereitstellen
- Für alle, die Machine Learning in Google Vertex AI end-to-end umsetzen wollen
Voraussetzung für die Schulung
- Grundverständnis von Machine Learning (z. B. Train/Test, Overfitting, Metriken).
- Erste Erfahrung mit Python oder Notebooks ist hilfreich, aber nicht zwingend.
Kursinhalte
- Vertex AI Setup und Arbeitsweise
- Projekt, IAM, Service Accounts, APIs
- Vertex AI Workbench, Notebooks, Repos
- Regionen, Kostenhebel, Quotas
- Datenbasis: Ingestion, Features, Governance
- BigQuery und Cloud Storage als Datenquellen
- Data Validation und Data Leakage vermeiden
- Feature Store Grundlagen und Alternativen
- Training: AutoML und Custom Training
- AutoML Tabular als schneller Start
- Custom Training Jobs mit Container-Images
- Hyperparameter Tuning und Reproduzierbarkeit
- Experiment Tracking und Modellverwaltung
- Experiments, Runs, Metriken und Artefakte
- Model Registry, Versionierung, Lineage
- Bewertung: Baselines, Thresholds, Error Analysis
- Pipelines: wiederholbar statt „Notebook-Magie“
- Pipeline-Komponenten, Parameter, Caching
- Orchestrierung und Übergaben von Artefakten
- CI/CD-Idee: vom Commit zur Pipeline-Ausführung
- Deployment und Online/Batch Prediction
- Endpoints, Traffic Splits, Rollback
- Batch Prediction Jobs und Kostenkontrolle
- Security: private Endpoints und Zugriffskonzepte
- Monitoring, Drift und Betrieb
- Model Monitoring: Daten- und Vorhersage-Drift
- Alerting, SLOs und sinnvolle Dashboards
- Retraining-Trigger und Betriebsprozesse
