Dieses Modul bietet eine theoretische Grundlage für Arten von Sequenz-Modellen, Zeitreihen-Muster und -Analysen sowie Vorhersage-Notationen.

In diesem Modul werden zwei wichtige Optionen für den Aufbau einer Prognoselösung in der Google Cloud vorgestellt: BigQuery ML und Vertex KI Forecast (AutoML). Außerdem werden die einzigartigen Merkmale von Vertex KI Forecast untersucht und ein durchgängiger Workflow mit AutoML erprobt.

Dieses Modul befasst sich mit der Umwandlung von Originaldaten in die von Vertex KI unterstützten Datentypen und -formate. Außerdem werden die verschiedenen Arten von Merkmalen in Zeitreihen und die besten Praktiken für die Dateneingabe vorgestellt.

Dieses Modul führt die Lernenden durch das Training des Modells und demonstriert die Konfigurationsdetails wie die Einrichtung des Kontextfensters, den Prognosehorizont und das Optimierungsziel.

Dieses Modul beschreibt die Aufteilung der Trainingsdaten, demonstriert die Bewertungsmetriken und empfiehlt die Ansätze zur Verbesserung der Modellleistung.

Dieses Modul demonstriert die Vorhersage von Modellen, insbesondere die Batch-Vorhersage mit Vertex KI Forecast. Außerdem wird der Betrieb des Maschinellen Lernens (MLOps) und der Übergang von der Entwicklung zur Produktion untersucht.

Dieses Modul beschreibt die Modelldrift und den Ansatz der Modellumschulung. Außerdem wird die Automatisierung des Prognose Workflows mit Hilfe von Vertex KI Pipelines demonstriert.

Dieses Modul beschreibt einen Anwendungsfall zum Aufbau einer Prognoselösung mit Vertex KI Forecast in einem Einzelhandelsgeschäft. Es zeigt die Schritte und Überlegungen auf, geht durch eine Pilotstudie mit zwei verschiedenen Datensätzen und diskutiert die Herausforderungen und Lehren.

Dieses Modul behandelt die wichtigsten Merkmale von Vertex KI Forecast und fasst die wichtigsten Themen der einzelnen Module zusammen.