Ce module fournit une base théorique des types de modèles à séquence, des modèles et de l'analyse des séries chronologiques, et des notations de prévision.

Ce module présente deux options majeures pour construire une solution de prévision sur Google Cloud : BigQuery ML et Vertex IA Forecast (AutoML). Il étudie également les caractéristiques uniques de Vertex IA Forecast et explore un flux de travail de bout en bout avec AutoML.

Ce module explore la transformation des données originales vers les types de données et le format pris en charge par Vertex IA. Il présente également les différents types de caractéristiques des séries chronologiques et les meilleures pratiques en matière d'ingestion de données.

Ce module accompagne les apprenants tout au long de l'apprentissage du modèle et présente les détails de configuration tels que la configuration de la fenêtre contextuelle, l'horizon de prévision et l'objectif d'optimisation.

Ce module décrit la répartition des données d'entraînement, démontre les métriques d'évaluation et recommande des approches pour améliorer la performance du modèle.

Ce module démontre la prédiction de modèles, plus particulièrement la prédiction par lots avec Vertex IA Forecast. Il explore également les opérations d'apprentissage automatique (MLOps) et le passage du développement à la production.

Ce module décrit la dérive des modèles et l'approche du recyclage des modèles. Il démontre également l'automatisation du flux de travail de prévision à l'aide de Vertex IA Pipelines.

Ce module décrit un cas d'utilisation pour construire une solution de prévision avec Vertex IA Forecast dans un magasin de détail. Il montre les étapes et les considérations, présente une étude pilote avec deux ensembles de données différents et discute des défis et des leçons.

Ce module aborde les principales caractéristiques de Vertex IA Forecast et résume les principaux thèmes de chaque module.