Vertex ML Metadata-Notebook-Anleitungen

Dieses Dokument enthält eine Liste der verfügbaren Notebook-Anleitungen für Vertex ML Metadata. Diese End-to-End-Anleitungen unterstützen Sie beim Einstieg in Vertex ML Metadata und geben Ihnen Ideen zur Implementierung eines bestimmten Projekts.

Es gibt viele Umgebungen, in denen Sie Notebooks hosten können. Sie können sie mit einem Dienst wie Colaboratory (Colab), Colab Enterprise oder Gemini Enterprise Agent Platform Workbench in der Cloud ausführen. Alternativ können Sie die Notebooks von GitHub herunterladen und auf Ihrem lokalen Computer oder in einer JupyterLab-Implementierung in Ihrem lokalen Netzwerk ausführen.

Colab

Klicken Sie zum Öffnen einer Notebookanleitung in Colab auf den Link Colab in der Notebookliste. Colab erstellt eine VM-Instanz mit allen benötigten Abhängigkeiten, startet die Colab-Umgebung und lädt das Notebook.

Colab Enterprise

So öffnen Sie eine Notebookanleitung in Colab Enterprise:

Google Cloud -Projekt einrichten und erforderliche APIs aktivieren
Klicken Sie in der Notebookliste auf den Link Colab Enterprise. Das Notebook wird in Colab Enterprise geladen.

Agent Platform Workbench

So öffnen Sie eine Notebookanleitung in Agent Platform Workbench:

Agent Platform Workbench-Instanz erstellen
Klicken Sie in der Notebookliste auf den Link Vertex AI Workbench.
Wählen Sie eine aktive Agent Platform Workbench-Instanz aus. Wenn keine Ihrer Instanzen ausgeführt wird, wählen Sie eine Instanz aus und klicken Sie auf Starten. Wählen Sie die Instanz nach dem Starten noch einmal aus.
Klicken Sie auf Bereitstellen.
Wählen Sie auf der Seite Bereitstellung auf Notebook-Server bestätigen die Option Bestätigen aus. Agent Platform Workbench lädt das Notebook.
Wählen Sie im Dialogfeld Kernel auswählen die Option Python 3 aus und klicken Sie dann auf Auswählen.

GitHub

So laden Sie ein Notebook-Tutorial von GitHub herunter:

Klicken Sie in der Notebookliste auf den Link GitHub.
Klicken Sie in GitHub auf die Schaltfläche Rohdatei herunterladen.
Schließen Sie das Dialogfeld ab, um das Notebook herunterzuladen.

Liste der Notebooks

Dienste	Beschreibung	Öffnen in
Klassifizierung für tabellarische Daten	AutoML Tabular-Training und -Vorhersagen. Erfahren Sie, wie Sie anhand eines tabellarischen Datasets ein AutoML-Modell trainieren und damit Vorhersagen erstellen. Weitere Informationen zur Klassifizierung für Tabellendaten Anleitungsschritte Erstellen Sie einen Modelltrainingsjob für die Agent Platform. Trainieren Sie ein AutoML Tabular-Modell. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Erstellen Sie eine Vorhersage, indem Sie Daten senden. Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vorhersagen aus einem Bildklassifizierungsmodell abrufen	AutoML-Trainingsmodell zur Bildklassifizierung für Batchvorhersagen. In dieser Anleitung erstellen Sie ein AutoML-Modell zur Bildklassifizierung aus einem Python-Script und führen dann eine Batchvorhersage mit dem Vertex SDK aus. Weitere Informationen zum Abrufen von Vorhersagen aus einem Bildklassifizierungsmodell. Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Modellbewertung ansehen. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vorhersagen aus einem Bildklassifizierungsmodell abrufen	AutoML-Trainingsmodell zur Bildklassifizierung für Onlinevorhersagen In dieser Anleitung erstellen Sie ein AutoML-Bildklassifizierungsmodell und stellen es für Onlinevorhersagen mit dem Vertex SDK aus einem Python-Script bereit. Weitere Informationen zum Abrufen von Vorhersagen aus einem Bildklassifizierungsmodell. Anleitungsschritte Vertex-`Dataset`-Ressource erstellen Modell trainieren Modellbewertung ansehen. Stellen Sie die Ressource `Model` in einer Bereitstellungsressource vom Typ `Endpoint` bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung von `Model` auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
AutoML	AutoML-Trainingsmodell zur Bildobjekterkennung für das Exportieren in Edge. In dieser Anleitung erstellen Sie mithilfe des Vertex SDK ein AutoML-Modell zur Bildobjekterkennung aus einem Python-Script und exportieren es als Edge-Modell im TFLite-Format. Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Exportieren Sie das Edge-Modell aus der Modellressource in Cloud Storage. Laden Sie das Modell lokal herunter. Erstellen Sie eine lokale Vorhersage.	Colab Colab Enterprise GitHub Vertex AI Workbench
Objekterkennung für Bilddaten	AutoML-Trainingsmodell zur Bildobjekterkennung für Onlinevorhersagen. In dieser Anleitung erstellen Sie ein AutoML-Modell zur Bildobjekterkennung und stellen es für Onlinevorhersagen mit dem Agent Platform SDK aus einem Python-Script bereit. Weitere Informationen zur Objekterkennung für Bilddaten Anleitungsschritte Erstellen Sie eine Dataset-Ressource für die Agent Platform. Modell trainieren Modellbewertung ansehen. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung des Modells auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Tabular-Workflow für E2E AutoML	AutoML Tabular-Workflow-Pipelines. Erfahren Sie, wie Sie zwei Regressionsmodelle mit Agent Platform Pipelines erstellen, das aus Google Cloud-Pipeline-Komponenten heruntergeladen wurde . Weitere Informationen zum Tabular-Workflow für E2E AutoML Anleitungsschritte Erstellen Sie eine Trainingspipeline, die den Suchbereich von der Standardeinstellung reduziert, um Zeit zu sparen. Erstellen Sie eine Trainingspipeline, die die Architektursuchergebnisse der vorherigen Pipeline wiederverwendet, um Zeit zu sparen.	Colab Colab Enterprise GitHub Vertex AI Workbench
AutoML-Training	Erste Schritte mit AutoML-Training Informationen zur Verwendung von `AutoML` für das Training mit `Agent Platform`. Weitere Informationen zum AutoML-Training Anleitungsschritte Trainieren Sie ein Bildmodell Exportieren Sie das Bildmodell als Edge-Modell Trainieren Sie ein tabellarisches Modell Exportieren Sie ein tabellarisches Modell als Cloud-Modell Trainieren Sie ein Textmodell	Colab Colab Enterprise GitHub Vertex AI Workbench
Hierarchische Prognosen für tabellarische Daten	Agent Platform AutoML-Training für hierarchische Prognosen für Batch-Vorhersagen. In dieser Anleitung erstellen Sie ein hierarchisches AutoML-Prognosemodell und stellen es für die Batch-Vorhersage mit dem Agent Platform SDK für Python bereit. Weitere Informationen zu hierarchischen Prognosen für tabellarische Daten. Anleitungsschritte Erstellen Sie eine Agent Platform-TimeSeriesDataset-Ressource. Modell trainieren Modellbewertung ansehen. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Objekterkennung für Bilddaten	AutoML-Trainingsmodell zur Bildobjekterkennung für Batchvorhersagen. In dieser Anleitung erstellen Sie ein AutoML-Modell zur Bildobjekterkennung aus einem Python-Script und führen dann eine Batchvorhersage mit dem Agent Platform SDK für Python aus. Weitere Informationen zur Objekterkennung für Bilddaten Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Modellbewertung ansehen. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Prognosen mit AutoML	Tabellarisches AutoML-Prognosemodell für Batchvorhersagen. Hier erfahren Sie, wie Sie ein tabellarisches AutoML-Prognosemodell aus einem Python-Script erstellen und dann eine Batch-Vorhersage mit dem Agent Platform SDK generieren. Weitere Informationen zu Prognosen mit AutoML Anleitungsschritte Erstellen Sie eine Dataset-Ressource für die Agent Platform. Trainieren Sie eine Modellressource für tabellarische AutoML-Prognosen. Rufen Sie die Bewertungsmesswerte für die Modellressource ab. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Regression für tabellarische Daten	AutoML-Trainingsmodell mit tabellarischer Regression für Batchvorhersagen mit BigQuery. Hier erfahren Sie, wie Sie ein tabellarisches AutoML-Regressionsmodell erstellen und mit dem Agent Platform SDK für Python für die Batchvorhersage bereitstellen. Weitere Informationen zur Regression für tabellarische Daten Anleitungsschritte Erstellen Sie eine Dataset-Ressource für die Agent Platform. Trainieren Sie eine Modellressource für tabellarische AutoML-Prognosen. Rufen Sie die Bewertungsmesswerte für die Modellressource ab. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Regression für tabellarische Daten	AutoML-Trainingsmodell mit tabellarischer Regression für Onlinevorhersagen mit BigQuery. Hier erfahren Sie, wie Sie mit dem Agent Platform SDK ein tabellarisches AutoML-Regressionsmodell erstellen und für die Onlinevorhersage aus einem Python-Script bereitstellen. Weitere Informationen zur Regression für tabellarische Daten Anleitungsschritte Erstellen Sie eine Vertex-"Dataset"-Ressource. Modell trainieren Modellbewertung ansehen. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung des Modells auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
BigQuery ML	Erste Schritte mit BigQuery ML-Training. Hier erfahren Sie, wie Sie BigQuery ML für das Training mit der Agent Platform verwenden. Weitere Informationen zu BigQuery ML Anleitungsschritte Erstellen Sie eine lokale BigQuery-Tabelle in Ihrem Projekt Trainieren Sie ein BigQuery ML-Modell Bewerten Sie ein BigQuery ML-Modell Exportieren Sie eine BigQuery ML-Modell als Cloud-Modell Laden Sie das exportierte Modell als eine Agent Platform-Modellressource hoch Hyperparameter-Abstimmung eines BigQuery ML-Modells mit Agent Platform Vizier BigQuery ML-Modell automatisch in der Agent Platform Model Registry registrieren	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training Agent Platform Inference	Stellen Sie ein Iris-Erkennungsmodell mit der benutzerdefinierten FastAPI und der benutzerdefinierten Containerbereitstellung der Agent Platform bereit. Erfahren Sie, wie Sie ein benutzerdefiniertes Klassifizierungsmodell auf der Agent Platform erstellen und bereitstellen. Weitere Informationen zum benutzerdefinierten Training Weitere Informationen zu Agent Platform Inference Anleitungsschritte Trainieren Sie ein Modell, das die Messwerte der Blumen als Eingabe verwendet, um die Klasse der Schwertlilie vorherzusagen. Speichern Sie das Modell und seinen serialisierten Präprozessor. Erstellen Sie einen FastAPI-Server zum Verarbeiten von Vorhersagen und Systemdiagnosen. Erstellen Sie einen benutzerdefinierten Container mit Modellartefakten. Laden Sie den benutzerdefinierten Container in Agent Platform-Endpunkte hoch und stellen Sie ihn bereit.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training	TensorFlow-Modell mit BigQuery-Daten trainieren Erfahren Sie, wie Sie mit dem Agent Platform SDK für Python ein benutzerdefiniert trainiertes Modell aus einem Python-Script in einem Docker-Container erstellen und dann durch Senden von Daten eine Vorhersage vom bereitgestellten Modell abrufen. Erfahren Sie mehr über Vertex AI Training. Anleitungsschritte Erstellen Sie eine benutzerdefinierte `TrainingPipeline` für die Agent Platform zum Trainieren eines Modells. Trainieren Sie ein TensorFlow-Modell. Stellen Sie die Ressource `Model` in einer Bereitstellungsressource vom Typ `Endpoint` bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung der Ressource `Model` auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training	Benutzerdefiniertes Training mit benutzerdefiniertem Container-Image und automatischer Modellupload in die Agent Platform Model Registry. In dieser Anleitung trainieren Sie ein benutzerdefiniertes Container-Image für ein maschinelles Lernmodell für das benutzerdefinierte Training auf der Agent Platform. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen benutzerdefinierten Agent Platform-Job zum Trainieren eines Modells. Trainieren und registrieren Sie ein TensorFlow-Modell mit einem benutzerdefinierten Container. Listen Sie das registrierte Modell in der Agent Platform Model Registry auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Cloud Profiler	Leistung des Modelltrainings mit Profiler profilieren Erfahren Sie, wie Sie Cloud Profiler für benutzerdefinierte Trainingsjobs aktivieren. Weitere Informationen zu Cloud Profiler Anleitungsschritte Erstellen Sie ein Dienstkonto und einen Cloud Storage-Bucket Agent Platform TensorBoard-Instanz erstellen Erstellen Sie einen benutzerdefinierten Trainingsjob und führen Sie ihn aus Cloud Profiler-Dashboard aufrufen	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training	Erste Schritte mit Vertex AI Training für XGBoost. Hier erfahren Sie, wie Sie Vertex AI Training zum Trainieren eines benutzerdefinierten XGBoost-Modells verwenden. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Führen Sie das Training mit einem Python-Paket durch. Erstellen Sie einen Bericht zur Accuracy bei der Hyperparameter-Abstimmung. Speichern Sie Modellartefakte mit Cloud StorageFuse in Cloud Storage. Erstellen Sie eine Modellressource für die Agent Platform.	Colab Colab Enterprise GitHub Vertex AI Workbench
Freigegebene Ressourcen für mehrere Bereitstellungen	Erste Schritte mit Endpunkt und freigegebener VM. Informationen zum Verwenden von Bereitstellungsressourcenpools für die Bereitstellung von Modellen. Weitere Informationen zu freigegebenen Ressourcen für mehrere Bereitstellungen. Anleitungsschritte Laden Sie ein vortrainiertes Bildklassifizierungsmodell als `Model` Modellressource (Modell A) hoch. Laden Sie ein vortrainiertes Textsatzcodierungsmodell als `Model` Modellressource (Modell B) hoch. Erstellen Sie einen freigegebenen VM-Bereitstellungsressourcenpool. Listen Sie freigegebene VM-Bereitstellungsressourcenpools auf. Erstellen Sie zwei `Endpoint`-Ressourcen. Stellen Sie das erste Modell (Modell A) mithilfe des Bereitstellungsressourcenpools in der ersten `Endpoint` Ressource bereit. Stellen Sie das zweite Modell (Modell B) mithilfe des Bereitstellungsressourcenpools in der zweiten `Endpoint` Ressource bereit. Erstellen Sie eine Vorhersageanfrage mit dem ersten bereitgestellten Modell (Modell A). Erstellen Sie eine Vorhersageanfrage mit dem zweiten bereitgestellten Modell (Modell B).	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training Agent Platform Batch Prediction	Benutzerdefiniertes Training und Batchvorhersage Erfahren Sie, wie Sie Vertex AI Training verwenden, um ein benutzerdefiniert trainiertes Modell zu erstellen, und wie Sie Agent Platform Batch-Vorhersage verwenden, um eine Batch-Vorhersage für das trainierte Modell durchzuführen. Weitere Informationen zum benutzerdefinierten Training Weitere Informationen zu Batchvorhersagen auf der Agent Platform Anleitungsschritte Erstellen Sie einen benutzerdefinierten Agent Platform-Job zum Trainieren eines TensorFlow-Modells. Laden Sie die trainierten Modellartefakte als Modellressource hoch. Batchvorhersage erstellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training Agent Platform Inference	Benutzerdefiniertes Training und Onlinevorhersage. Erfahren Sie, wie Sie mit `Vertex AI Training` ein benutzerdefiniert trainiertes Modell aus einem Python-Script in einem Docker-Container erstellen und wie Sie mit `Agent Platform Inference` eine Vorhersage für das bereitgestellte Modell erstellen, indem Sie Daten senden. Weitere Informationen zum benutzerdefinierten Training Weitere Informationen zu Agent Platform Inference Anleitungsschritte Erstellen Sie einen benutzerdefinierten `Agent Platform`-Job zum Trainieren eines TensorFlow-Modells. Laden Sie die trainierten Modellartefakte in eine `Model` Ressource hoch. Erstellen Sie eine `Endpoint`-Bereitstellungsressource. Stellen Sie die Ressource `Model` in einer Bereitstellungsressource vom Typ `Endpoint` bereit. Treffen Sie eine Vorhersage. Heben Sie die Bereitstellung der Ressource `Model` auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
BigQuery-Datasets Agent Platform für BigQuery-Nutzer	Erste Schritte mit BigQuery-Datasets. Hier erfahren Sie, wie Sie BigQuery als Dataset für das Training mit der Agent Platform verwenden. Weitere Informationen zu BigQuery-Datasets Weitere Informationen zur Agent Platform für BigQuery-Nutzer Anleitungsschritte Erstellen Sie eine Agent Platform-Dataset-Ressource aus einer BigQuery-Tabelle, die mit dem AutoML-Training kompatibel ist. Extrahieren Sie eine Kopie des Datasets aus BigQuery in eine CSV-Datei in Cloud Storage, die mit AutoML oder benutzerdefiniertem Training kompatibel ist. Fügen Sie von Ihnen ausgewählte Zeilen aus einem BigQuery-Dataset in einen pandas-Dataframe ein, der mit benutzerdefiniertem Training kompatibel ist. Fügen Sie von Ihnen ausgewählte Zeilen aus einem BigQuery-Dataset in eine `tf.data.Dataset` ein, die mit TensorFlow-Modellen für benutzerdefiniertes Training kompatibel ist. Fügen Sie von Ihnen ausgewählte Zeilen aus extrahierten CSV-Dateien in eine `tf.data.Dataset` ein, die mit TensorFlow-Modellen für benutzerdefiniertes Training kompatibel ist. Erstellen Sie ein BigQuery-Dataset aus CSV-Dateien. Extrahieren Sie Daten aus der BigQuery-Tabelle in eine DMatrix, die mit XGBoost-Modellen für benutzerdefiniertes Training kompatibel ist.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Experiments Vertex ML Metadata	Agent Platform Experiment-Herkunft für benutzerdefiniertes Training erstellen Erfahren Sie, wie Sie Vorverarbeitungscode in einen Agent Platform-Test einbinden. Weitere Informationen zu Agent Platform-Tests Weitere Informationen zu Vertex ML Metadata Anleitungsschritte Führen Sie das Modul zur Vorverarbeitung von Daten aus Erstellen Sie ein Dataset-Artefakt Loggen Sie Parameter Führen Sie das Modul zum Trainieren des Modells aus Loggen Sie Parameter Erstellen Sie das Modellartefakt Weisen Sie dem Dataset, dem Modell und den Parametern eine Trackingherkunft zu.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Experiments	Parameter und Messwerte für lokal trainierte Modelle verfolgen Informationen zum Vergleichen und Bewerten von Modelltests mit Agent Platform Experiments. Weitere Informationen zu Agent Platform-Tests Anleitungsschritte Loggen Sie die Modellparameter Verlust und Messwerte in jeder Epoche in Agent Platform TensorBoard loggen Loggen Sie die Bewertungsmesswerte	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Experiments Agent Platform Pipelines	Pipelineausführungen mit Agent Platform Experiments vergleichen Erfahren Sie, wie Sie Agent Platform Experiments verwenden, um einen Pipelinejob zu loggen und dann verschiedene Pipelinejobs zu vergleichen. Weitere Informationen zu Agent Platform-Tests Weitere Informationen zu Agent Platform-Pipelines Anleitungsschritte Trainingskomponente formalisieren Trainingspipeline erstellen Mehrere Pipelinejobs ausführen und die Ergebnisse loggen Verschiedene Pipelinejobs vergleichen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform TensorBoard	Veraltete Tests in Agent Platform TensorBoard löschen Löschen Sie veraltete Agent Platform TensorBoard-Tests, um unnötige Speicherkosten zu vermeiden. Weitere Informationen zu Agent Platform TensorBoard Anleitungsschritte So löschen Sie den TB-Test mit einem vordefinierten Schlüssel/Wert-Label-Paar So löschen Sie die vor dem `create_time` erstellten TB-Tests So löschen Sie die vor dem `update_time` erstellten TB-Tests	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Experiments	Benutzerdefiniertes automatisches Trainings-Logging – lokales Script Hier erfahren Sie, wie Sie Parameter und Messwerte eines ML-Tests, der in Vertex AI-Training ausgeführt wird, automatisch protokollieren, indem Sie die Einbindung in Agent Platform Experiments verwenden. Anleitungsschritte Formalisieren Sie den Modelltest in einem Script. Führen Sie das Modelltraining mit lokalem Script für Vertex AI Training aus. ML-Testparameter und -Messwerte in Agent Platform Experiments ansehen	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Experiments Vertex ML Metadata Benutzerdefiniertes Training	Erste Schritte mit Agent Platform Experiments Informationen zur Verwendung von Agent Platform Experiments beim Training mit der Agent Platform. Weitere Informationen zu Agent Platform-Tests Weitere Informationen zu Vertex ML Metadata Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Lokales (Notebook-)Training Test erstellen Erste Ausführung im Test erstellen Logparameter und -messwerte Artefaktherkunft erstellen Testergebnisse visualisieren Zweite Ausführung ausführen Die beiden Ausführungen im Test vergleichen Cloud-Training (Agent Platform) Innerhalb des Trainingsskripts	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Experiments	Autologging. Informationen zur Verwendung von Autologging für die Agent Platform. Anleitungsschritte Aktivieren des automatischen Logging im Agent Platform SDK. Trainieren des scikitlearn-Modells und Anzeige der resultierenden Testausführung mit Messwerten und Parametern, die automatisch in Agent Platform Experiments protokolliert werden, ohne dass ein Testlauf festgelegt werden müsste. Trainieren des TensorFlow-Modells und prüfen automatisch protokollierter Messwerte und Parameter für Agent Platform Experiments, wozu manuell ein Testlauf mit `aiplatform.start_run()` und `aiplatform.end_run()` festgelegt wird. Deaktivieren des automatischen Logging im Agent Platform SDK, trainieren eines PyTorch-Modells und prüfen, ob keiner der Parameter oder Messwerte protokolliert wird.	Colab Colab Enterprise GitHub Vertex AI Workbench
Klassifizierung für tabellarische Daten Vertex Explainable AI	Batcherläuterung für das tabellarische binäre AutoML-Klassifizierungsmodell. Erfahren Sie, wie Sie mit `AutoML` ein tabellarisches binäres Klassifizierungsmodell aus einem Python-Script erstellen und `Agent Platform Batch Prediction` verwenden, um Vorhersagen mit Erläuterungen zu treffen. Weitere Informationen zur Klassifizierung für Tabellendaten Weitere Informationen zu Vertex Explainable AI Anleitungsschritte Erstellen Sie eine von der Agent Platform verwaltete Dataset-Ressource. Trainieren Sie ein tabellarisches binäres AutoML-Klassifizierungsmodell. Sehen Sie sich die Modellbewertungsmesswerte für das trainierte Modell an. Stellen Sie eine Batchvorhersageanfrage mit Erklärbarkeit.	Colab Colab Enterprise GitHub Vertex AI Workbench
Klassifizierung für tabellarische Daten Vertex Explainable AI	AutoML-Trainingsmodell zur tabellarischen Klassifizierung für Onlineerläuterungen. Informationen zum Erstellen eines tabellarischen binären Klassifizierungsmodells mit AutoML aus einem Python-Script. Weitere Informationen zur Klassifizierung für Tabellendaten Weitere Informationen zu Vertex Explainable AI. Anleitungsschritte Erstellen Sie eine Dataset-Ressource für die Agent Platform. Trainieren Sie ein tabellarisches binäres AutoML-Klassifizierungsmodell. Sehen Sie sich die Modellbewertungsmesswerte für das trainierte Modell an. Erstellen Sie eine Endpunkt-Bereitstellungsressource. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Stellen Sie eine Anfrage für eine Onlinevorhersage mit Erklärbarkeit. Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Agent Platform Batch Prediction	Benutzerdefiniertes Trainingsmodell zur Bildklassifizierung für die Batchvorhersage mit Erklärbarkeit Hier erfahren Sie, wie Sie mit `Vertex AI Training and Vertex Explainable AI` ein benutzerdefiniertes Bildklassifizierungsmodell mit Erklärungen erstellen. Anschließend lernen Sie, wie Sie mit `Agent Platform Batch Prediction` eine Batchvorhersageanfrage mit Erklärungen stellen. Weitere Informationen zu Vertex Explainable AI. Weitere Informationen zu Batchvorhersagen auf der Agent Platform Anleitungsschritte Erstellen Sie einen benutzerdefinierten `Agent Platform`-Job zum Trainieren eines TensorFlow-Modells. Sehen Sie sich die Modellbewertung für das trainierte Modell an. Legen Sie Erklärungsparameter für den Zeitpunkt der Modellbereitstellung fest. Laden Sie die trainierten Modellartefakte und Erklärungsparameter als eine `Model` Ressource hoch. Erstellen Sie eine Batchvorhersage mit Erklärungen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Agent Platform Inference	Benutzerdefiniertes Trainingsmodell zu Bildklassifizierung für die Onlinevorhersage mit Erklärbarkeit. Erfahren Sie, wie Sie das Agent Platform-Training und Vertex Explainable AI verwenden, um ein benutzerdefiniertes Bildklassifizierungsmodell mit Erklärungen zu erstellen. Weitere Informationen zu Vertex Explainable AI. Weitere Informationen zu Agent Platform Inference Anleitungsschritte Erstellen Sie einen benutzerdefinierten Agent Platform-Job zum Trainieren eines TensorFlow-Modells. Sehen Sie sich die Modellbewertung für das trainierte Modell an. Legen Sie Erklärungsparameter für den Zeitpunkt der Modellbereitstellung fest. Laden Sie die trainierten Modellartefakte und Erklärungen als eine Modellressource hoch. Erstellen Sie eine Endpunkt-Bereitstellungsressource. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage mit Erklärungen. Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Agent Platform Batch Prediction	Benutzerdefiniertes Trainingsmodell zur tabellarischen Regression für Batchvorhersagen mit Erklärbarkeit Erfahren Sie, wie Sie das Agent Platform-Training und Vertex Explainable AI verwenden, um ein benutzerdefiniertes Bildklassifizierungsmodell mit Erklärungen zu erstellen. Weitere Informationen zu Vertex Explainable AI. Weitere Informationen zu Batchvorhersagen auf der Agent Platform Anleitungsschritte Erstellen Sie einen benutzerdefinierten Agent Platform-Job zum Trainieren eines TensorFlow-Modells. Sehen Sie sich die Modellbewertung für das trainierte Modell an. Legen Sie Erklärungsparameter für das Modell fest. Laden Sie die trainierten Modellartefakte als Modellressource hoch. Erstellen Sie eine Batchvorhersage mit Erklärungen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Agent Platform Inference	Benutzerdefiniertes Trainingsmodell zur tabellarischen Regression für Onlinevorhersagen mit Erklärbarkeit. Erfahren Sie, wie Sie das Agent Platform-Training und Vertex Explainable AI verwenden, um ein benutzerdefiniertes tabellarisches Regressionsmodell mit Erklärungen zu erstellen. Weitere Informationen zu Vertex Explainable AI. Weitere Informationen zu Agent Platform Inference Anleitungsschritte Erstellen Sie einen benutzerdefinierten Agent Platform-Job zum Trainieren eines TensorFlow-Modells. Sehen Sie sich die Modellbewertung für das trainierte Modell an. Legen Sie Erklärungsparameter für den Zeitpunkt der Modellbereitstellung fest. Laden Sie die trainierten Modellartefakte und Erklärungen als eine Modellressource hoch. Erstellen Sie eine Endpunkt-Bereitstellungsressource. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage mit Erklärungen. Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Agent Platform Inference	Benutzerdefiniertes Trainingsmodell zur tabellarischen Regression für Onlinevorhersagen mit Erklärbarkeit mithilfe von get_metadata. Hier erfahren Sie, wie Sie mithilfe des Agent Platform SDK ein benutzerdefiniertes Modell aus einem Python-Script in einem von Google vordefinierten Docker-Container erstellen. Weitere Informationen zu Vertex Explainable AI. Weitere Informationen zu Agent Platform Inference Anleitungsschritte Erstellen Sie einen benutzerdefinierten Agent Platform-Job zum Trainieren eines TensorFlow-Modells. Trainieren Sie ein TensorFlow-Modell. Rufen Sie die Modellartefakte ab und laden Sie sie. Sehen Sie sich die Modellbewertung für das trainierte Modell an. Erläuterungsparameter festlegen Laden Sie das Modell als Agent Platform-Modellressource hoch. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage mit Erklärungen. Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI Agent Platform Inference	Bildklassifizierung mit Vertex Explainable AI erklären Erfahren Sie, wie Sie featurebasierte Erklärungen für ein vortrainiertes Bildklassifizierungsmodell konfigurieren und Online- und Batchvorhersagen mit Erläuterungen erstellen. Weitere Informationen zu Vertex Explainable AI. Weitere Informationen zu Agent Platform Inference Anleitungsschritte Laden Sie das vortrainierte Modell aus TensorFlow Hub herunter Laden Sie das Modell für die Bereitstellung hoch. Stellen Sie das Modell für die Onlinevorhersage bereit Erstellen Sie die Onlinevorhersage mit Erklärungen Erstellen Sie die Batchvorhersagen mit Erklärungen	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex Explainable AI	Bildklassifizierung mit Vertex Explainable AI erklären. Erfahren Sie, wie Sie featurebasierte Erläuterungen mit der Sampled-Shapley-Methode für ein TensorFlow-Textklassifizierungsmodell für Onlinevorhersagen mit Erläuterungen konfigurieren. Weitere Informationen zu Vertex Explainable AI. Anleitungsschritte Erstellen und trainieren Sie das TensorFlow-Textklassifizierungsmodell. Laden Sie das Modell für die Bereitstellung hoch. Stellen Sie das Modell für die Onlinevorhersage bereit Erstellen Sie die Onlinevorhersage mit Erklärungen	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Feature Store	Online-Bereitstellung von Features und Abruf von BigQuery-Daten mit Agent Platform Feature Store. Erfahren Sie, wie Sie eine Online-Feature-Store-Instanz erstellen und verwenden, um Daten in BigQuery mit Agent Platform Feature Store in einem End-to-End-Workflow zum Bereitstellen und Abrufen von von Featurewerten zu hosten und bereitzustellen. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Stellen Sie eine Online-Feature-Store-Instanz bereit, um Daten zu hosten und bereitzustellen. Registrieren Sie eine BigQuery-Ansicht bei der Online-Feature Store-Instanz und richten Sie den Synchronisierungsjob ein. Verwenden Sie den Onlineserver, um Featurewerte für Onlinevorhersagen abzurufen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Feature Store	Online-Bereitstellung von Features und Abruf von BigQuery-Daten mit optimierter Agent Platform Feature Store-Bereitstellung. Erfahren Sie, wie Sie eine Online-Feature-Store-Instanz erstellen und verwenden, um Daten in BigQuery mit Agent Platform Feature Store in einem End-to-End-Workflow zum Bereitstellen und Abrufen von Featurewerten zu hosten und bereitzustellen. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Stellen Sie eine Online-Feature-Store-Instanz bereit, um Daten mithilfe der optimierten Onlinebereitstellung mit öffentlichem oder privatem Endpunkt zu hosten und bereitzustellen. Registrieren Sie eine BigQuery-Ansicht bei der Online-Feature Store-Instanz und richten Sie den Synchronisierungsjob ein. Verwenden Sie den Onlineserver, um Featurewerte für Onlinevorhersagen abzurufen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Feature Store	Online-Bereitstellung von Features und Abruf von BigQuery-Daten mit Agent Platform Feature Store. Erfahren Sie, wie Sie eine Online-Feature-Store-Instanz erstellen und verwenden, um Daten in BigQuery mit Agent Platform Feature Store in einem End-to-End-Workflow zur Feature-Bereitstellungen und zum Vektorabruf zu hosten und bereitzustellen. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Stellen Sie eine Online-Feature-Store-Instanz bereit, um Daten zu hosten und bereitzustellen. Erstellen Sie eine Online-Feature-Store-Instanz, um eine BigQuery-Tabelle bereitzustellen. Verwenden Sie den Onlineserver, um den nächsten Nachbarn zu suchen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Feature Store	Anleitung für die Agent Platform Feature Store-basierte LLM-Fundierung. Erfahren Sie, wie Sie eine Online-Feature-Store-Instanz erstellen und verwenden, um Daten in BigQuery mit Agent Platform Feature Store in einem End-to-End-Workflow zur Feature-Bereitstellungen und zum Vektorabruf zu hosten und bereitzustellen. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Stellen Sie eine Online-Feature-Store-Instanz bereit, um Daten zu hosten und bereitzustellen. Erstellen Sie eine Online-Feature-Store-Instanz, um eine BigQuery-Tabelle bereitzustellen. Verwenden Sie den Onlineserver, um den nächsten Nachbarn zu suchen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Feature Store	Agent Platform Feature Store-Featureansicht Dienst-Agents. Informationen zum Verwenden eines speziellen Dienst-Agents für eine Feature-Ansicht im Agent Platform Feature Store. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Erstellen Sie eine Feature-Ansicht, die für die Verwendung eines speziellen Dienstkontos konfiguriert ist. Für jede Feature-Ansicht wird ein Dienstkonto erstellt. Dieses Dienstkonto wird zum Synchronisieren von Daten aus BigQuery verwendet. Die Get/List Feature View API gibt das automatisch erstellte Dienstkonto zurück. Nutzer müssen den Befehl `bq addiampolicybinding` aufrufen, um dem Dienstkonto `roles/bigquery.dataViewer` zu gewähren.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Feature Store	Streaming-Import-SDK im Agent Platform Feature Store (Legacy). Hier erfahren Sie, wie Sie mit der Methode `write_feature_values` aus dem Agent Platform SDK Features aus einem `Pandas DataFrame` in den Agent Platform Feature Store importieren. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Erstellen Sie einen Feature Store. Erstellen Sie einen neuen Entitätstyp für Ihren Feature Store. Importieren Sie Featurewerte aus `Pandas DataFrame` in den Entitätstyp im Feature Store.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Feature Store	Agent Platform Feature Store (Legacy) mit Pandas DataFrame verwenden Informationen zur Verwendung von `Agent Platform Feature Store` mit pandas DataFrame. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Erstellen Sie `Featurestore`-, `EntityType`- und `Feature`-Ressourcen. Importieren Sie Featurewerte aus Pandas DataFrame in den Entitätstyp. Lesen Sie Entitäts-Featurewerte aus dem Online-Feature Store in Pandas DataFrame ein. Führen Sie eine Batchbereitstellung der Featurewerte aus Ihrem Feature Store in Pandas DataFrame aus. Onlinebereitstellung mit aktualisierten Featurewerten. Genauigkeit des Zeitpunkts zum Abrufen von Featurewerten für das Training.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Feature Store	Online- und Batchvorhersagen mit Agent Platform Feature Store (Legacy) Erfahren Sie, wie Sie mit `Agent Platform Feature Store` Featuredaten importieren und auf die Featuredaten sowohl für die Onlinebereitstellung als auch für Offlineaufgaben wie Trainings zugreifen. Weitere Informationen zum Agent Platform Feature Store Anleitungsschritte Erstellen Sie `Featurestore`-, `EntityType`- und `Feature`-Ressourcen. Importieren Sie Featuredaten in die Feature `Featurestore` Ressource. Stellen Sie Anfragen für Onlinevorhersagen mithilfe der importierten Features bereit. Greifen Sie auf importierte Features in Offlinejobs zu, z. B. auf Trainingsjobs. Verwenden Sie den Streaming-Import, um kleine Datenmengen zu importieren.	Colab Colab Enterprise GitHub Vertex AI Workbench
Übersicht über die Unterstützung generativer KI für die Agent Platform	Agent Platform LLM-Batchinferenz mit RLHF-abgestimmten Modellen. In dieser Anleitung verwenden Sie die Agent Platform, um Vorhersagen aus einem mit RLHF abgestimmten Large Language Model abzurufen. Weitere Informationen zu Übersicht über die Unterstützung durch generative KI auf der Agent-Plattform. Anleitungsschritte Erstellen Sie einen Agent Platform-Pipelinejob mit einer vordefinierten Vorlage für Bulk-Inferenz. Führen Sie die Pipeline mit Agent Platform Pipelines aus. Erstellen Sie Vorhersageergebnisse für ein Modell für ein bestimmtes Dataset.	Colab Enterprise GitHub Vertex AI Workbench
generative_ai	Large Language Model verkleinern Hier erfahren Sie, wie Sie ein Large Language Model mit Agent Platform LLM destillieren und bereitstellen. Anleitungsschritte Rufen Sie das LLM-Modell der Agent Platform ab. Verkleinern Sie das Modell(dadurch wird automatisch ein Agent Platform-Endpunkt erstellt und das Modell auf dem Endpunkt bereitgestellt). Erstellen Sie eine Vorhersage mit Agent Platform LLM.	Colab Colab Enterprise GitHub Vertex AI Workbench
Textmodelle mit RLHF-Abstimmung abstimmen	Bestärkendes Lernen durch menschliches Feedback in LLM der Agent Platform. In dieser Anleitung verwenden Sie Agent Platform RLHF, um ein Large Language Model abzustimmen und bereitzustellen. Weitere Informationen zum Abstimmen von Textmodellen mithilfe von RLHF-Abstimmung Anleitungsschritte Legen Sie die Anzahl der Schritte zur Modellabstimmung fest. Agent Platform-Pipelinejob mit einer vordefinierten Abstimmungsvorlage erstellen. Führen Sie die Pipeline mit Agent Platform Pipelines aus. Vorhersagen aus dem optimierten Modell abrufen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Texteinbettung	Semantische Suche mit Einbettungen. In dieser Anleitung wird gezeigt, wie Sie eine aus Text generierte Einbettung erstellen und eine semantische Suche durchführen. Weitere Informationen zur Texteinbettung Anleitungsschritte Installation und Importe Einbettungs-Dataset erstellen Index erstellen Index abfragen	Colab Colab Enterprise GitHub Vertex AI Workbench
generative_ai	Texteinbettungen auf der Agent Platform abrufen. Informationen zum Abrufen einer Texteinbettung für ein Texteinbettungsmodell und einen Text. Anleitungsschritte	Colab Colab Enterprise GitHub Vertex AI Workbench
generative_ai	Texteinbettungen auf der Agent Platform abrufen. Informationen zum Abrufen einer Texteinbettung für ein Texteinbettungsmodell und einen Text. Anleitungsschritte	Colab Colab Enterprise GitHub Vertex AI Workbench
Textmodelle mit überwachter Abstimmung abstimmen	Agent Platform: PEFT-Modell abstimmen Hier erfahren Sie, wie Sie Agent Platform LLM verwenden, um ein PEFT-Large Language Model abzustimmen und bereitzustellen. Weitere Informationen zum Abstimmen von Textmodellen mithilfe von überwachter Abstimmung Anleitungsschritte Rufen Sie das LLM-Modell der Agent Platform ab. Stimmen Sie das Modell ab. Dadurch wird automatisch ein Agent Platform-Endpunkt erstellt und das Modell darauf bereitgestellt. Erstellen Sie eine Vorhersage mit Agent Platform LLM. Vorhersage mit Agent Platform Inference treffen	Colab Colab Enterprise GitHub Vertex AI Workbench
generative_ai	Optimierte Texteinbettungen auf der Agent Platform abrufen. Informationen zur Feinabstimmung eines Texteinbettungsmodells. Anleitungsschritte	Colab GitHub Vertex AI Workbench
PaLM API	Agent Platform SDK mit Large Language Models verwenden Hier erfahren Sie, wie Sie Texteingaben für Large Language Models bereitstellen, die auf der Agent Platform verfügbar sind, um generative KI-Sprachmodelle zu testen, abzustimmen und bereitzustellen. Weitere Informationen zur PaLM API. Anleitungsschritte Verwenden Sie die Vorhersageendpunkte der Agent Platform PaLM API, um generative KI-Antworten auf eine Nachricht zu erhalten. Verwenden Sie den Endpunkt für Texteinbettungen, um eine Vektordarstellung einer Nachricht zu erhalten. Führen Sie eine Prompt-Abstimmung eines LLM anhand von Eingabe-/Ausgabetrainingsdaten durch.	Colab Colab Enterprise GitHub Vertex AI Workbench
Zur Agent Platform migrieren Klassifizierung für Bilddaten	AutoML-Bildklassifizierung Erfahren Sie, wie Sie mit `AutoML` ein Bildmodell trainieren und mit `Agent Platform Inference` und `Agent Platform batch inference` Online- und Batchvorhersagen ausführen. Weitere Informationen zur Migration zur Agent Platform Weitere Informationen zur Klassifizierung für Bilddaten Anleitungsschritte Trainieren Sie ein AutoML-Bildklassifizierungsmodell Batchvorhersage erstellen. Stellen Sie das Modell auf einem Endpunkt bereit Erstellen Sie eine Onlinevorhersage	Colab Colab Enterprise GitHub Vertex AI Workbench
Zur Agent Platform migrieren Objekterkennung für Bilddaten	AutoML-Bildobjekterkennung. Erfahren Sie, wie Sie mit `AutoML` ein Bildmodell trainieren und mit `Agent Platform Inference` und `Agent Platform Batch Prediction` Online- und Batchvorhersagen ausführen. Weitere Informationen zur Migration zur Agent Platform Weitere Informationen zur Objekterkennung für Bilddaten Anleitungsschritte Trainieren Sie ein AutoML-Objekterkennungsmodell. Batchvorhersage erstellen. Stellen Sie das Modell auf einem Endpunkt bereit Erstellen Sie eine Onlinevorhersage	Colab Colab Enterprise GitHub Vertex AI Workbench
Zur Agent Platform migrieren Klassifizierung für tabellarische Daten	Tabellarische binäre AutoML-Klassifizierung. In dieser Anleitung erstellen Sie ein tabellarisches binäres AutoML-Klassifizierungsmodell und stellen es für Onlinevorhersagen mit dem Agent Platform SDK aus einem Python-Script bereit. Weitere Informationen zur Migration zur Agent Platform Weitere Informationen zur Klassifizierung für Tabellendaten Anleitungsschritte Erstellen Sie eine Dataset-Ressource für die Agent Platform. Modell trainieren Modellbewertung ansehen. Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Treffen Sie eine Vorhersage. Bereitstellung des Modells aufheben	Colab Colab Enterprise GitHub Vertex AI Workbench
Zur Agent Platform migrieren Benutzerdefiniertes Training	Benutzerdefinierte Bildklassifizierung mit einem benutzerdefinierten Trainingscontainer. Erfahren Sie, wie Sie ein TensorFlow-Bildklassifizierungsmodell mit einem benutzerdefinierten Container und Agent Platform-Training trainieren. Weitere Informationen zur Migration zur Agent Platform Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Verpacken Sie den Trainingscode in eine Python-Anwendung. Containerisieren Sie die Trainingsanwendung mit Cloud Build und Artifact Registry. Erstellen Sie einen benutzerdefinierten Container-Trainingsjob in der Agent Platform und führen Sie ihn aus. Bewerten Sie das über den Trainingsjob generierte Modell. Erstellen Sie in der Agent Platform Model Registry eine Modellressource für das trainierte Modell. Führen Sie einen Batchinferenzjob der Agent Platform aus. Stellen Sie die Modellressource an einem Agent Platform-Endpunkt bereit. Führen Sie einen Onlinevorhersagejob auf der Modellressource aus. Bereinigen Sie die erstellten Ressourcen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Zur Agent Platform migrieren Übersicht: Benutzerdefiniertes Training	Benutzerdefinierte Bildklassifizierung mit einem vordefinierten Trainingscontainer. Erfahren Sie, wie Sie ein TensorFlow-Bildklassifizierungsmodell mit einem vordefinierten Container und Agent Platform-Training trainieren. Weitere Informationen zur Migration zur Agent Platform Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Verpacken Sie den Trainingscode in eine Python-Anwendung. Containerisieren Sie die Trainingsanwendung mit Cloud Build und Artifact Registry. Erstellen Sie einen benutzerdefinierten Container-Trainingsjob in der Agent Platform und führen Sie ihn aus. Bewerten Sie das über den Trainingsjob generierte Modell. Erstellen Sie in der Agent Platform Model Registry eine Modellressource für das trainierte Modell. Führen Sie einen Batchinferenzjob der Agent Platform aus. Stellen Sie die Modellressource an einem Agent Platform-Endpunkt bereit. Führen Sie einen Onlinevorhersagejob auf der Modellressource aus. Bereinigen Sie die erstellten Ressourcen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Zur Agent Platform migrieren Übersicht: Benutzerdefiniertes Training	Benutzerdefiniertes Scikit-Learn-Modell mit vordefiniertem Trainingscontainer. Erfahren Sie, wie Sie Vertex AI Training zum Erstellen eines benutzerdefiniert trainierten Modells verwenden. Weitere Informationen zur Migration zur Agent Platform Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen benutzerdefinierten Agent Platform-Job zum Trainieren eines scikitlearn-Modells. Laden Sie die trainierten Modellartefakte als Modellressource hoch. Batchvorhersagen generieren Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Onlinevorhersagen generieren Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Zur Agent Platform migrieren Übersicht: Benutzerdefiniertes Training	Benutzerdefiniertes XGBoost-Modell mit vordefiniertem Trainingscontainer Informationen zum Erstellen eines benutzerdefiniert trainierten Modells mit Vertex AI Training Weitere Informationen zur Migration zur Agent Platform Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen benutzerdefinierten Agent Platform-Job zum Trainieren eines xgboost-Modells. Laden Sie die trainierten Modellartefakte als Modellressource hoch. Batchvorhersagen generieren Stellen Sie die Modellressource in einer Endpunkt-Bereitstellungsressource bereit. Onlinevorhersagen generieren Heben Sie die Bereitstellung der Modellressource auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform-Hyperparameter-Abstimmung Benutzerdefiniertes Training	Hyperparameter-Abstimmung Erfahren Sie, wie Sie mit Agent Platform-Hyperparametern ein benutzerdefiniert trainiertes Modell erstellen und abstimmen. Weitere Informationen zur Hyperparameter-Abstimmung auf der Agent Platform Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen Agent Platform-Hyperparameter-Abstimmungsjob zum Trainieren eines TensorFlow-Modells.	Colab Colab Enterprise GitHub Vertex AI Workbench
Google Artifact Registry-Dokumentation	Erste Schritte mit Google Artifact Registry. Google Artifact Registry verwenden. Erfahren Sie mehr über die Google Artifact Registry-Dokumentation. Anleitungsschritte Privates Docker-Repository erstellen. Tagging eines Container-Images speziell für das private Docker-Repository. Container-Image per Push in das private Docker-Repository übertragen. Ein Container-Image aus dem privaten Docker-Repository abrufen. Privates Docker-Repository löschen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex ML Metadata	Parameter und Messwerte für benutzerdefinierte Trainingsjobs verfolgen Erfahren Sie, wie Sie das Agent Platform SDK für Python für Folgendes verwenden: Anleitungsschritte Verfolgen Sie Trainingsparameter und Vorhersagemesswerte für einen benutzerdefinierten Trainingsjob. Extrahieren Sie alle Parameter und Messwerte in einem Test und führen Sie Analysen von ihnen aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex ML Metadata	Parameter und Messwerte für lokal trainierte Modelle verfolgen Erfahren Sie, wie Sie Vertex ML Metadata verwenden, um Trainingsparameter und Bewertungsmesswerte zu verfolgen. Weitere Informationen zu Vertex ML Metadata Anleitungsschritte Verfolgen Sie Parameter und Messwerte für ein lokal trainiertes Modell. Extrahieren Sie alle Parameter und Messwerte in einem Test und führen Sie Analysen von ihnen aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex ML Metadata Agent Platform Pipelines	Artefakte und Messwerte über Agent Platform Pipelines-Ausführungen hinweg mit Vertex ML Metadata verfolgen Erfahren Sie, wie Sie Artefakte und Messwerte mit Vertex ML Metadata in Agent Platform-Pipelineausführungen verfolgen. Weitere Informationen zu Vertex ML Metadata Weitere Informationen zu Agent Platform-Pipelines Anleitungsschritte Verwenden Sie das Kubeflow Pipelines SDK, um eine ML-Pipeline zu erstellen, die auf der Agent Platform ausgeführt wird. Die Pipeline erstellt ein Dataset, trainiert ein scikitlearn-Modell und stellt das Modell auf einem Endpunkt bereit. Schreiben Sie benutzerdefinierte Pipelinekomponenten, die Artefakte und Metadaten generieren Sie können Agent Platform-Pipeline-Ausführungen sowohl in der Google Cloud -Konsole als auch programmatisch vergleichen. Verfolgen Sie die Herkunft für Pipeline-generierte Artefakte. Fragen Sie die Metadaten der Pipelineausführung ab.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform-Modellbewertung Klassifizierung für tabellarische Daten	Batchvorhersageergebnisse aus einem AutoML Tabular-Klassifizierungsmodell auswerten Informationen zum Trainieren eines AutoML Tabular-Klassifizierungsmodells für die Agent Platform und zum Bewerten mit einem Agent Platform-Pipelinejob mit `google_cloud_pipeline_components`: Weitere Informationen zur Modellbewertung für die Agent Platform Weitere Informationen zur Klassifizierung für Tabellendaten Anleitungsschritte Erstellen Sie eine Agent Platform-Laufzeit`Dataset`. Trainieren Sie ein AutoML-Tabellenklassifizierungsmodell für die `Dataset` Ressource. Importieren Sie das trainierte `AutoML model resource` in die Pipeline. `Batch Prediction` Job ausführen Bewerten Sie das AutoML-Modell mithilfe der `Classification Evaluation component`. Importieren Sie die Klassifizierungsmesswerte in die AutoML-Modellressource	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform-Modellbewertung Regression für tabellarische Daten	Ergebnisse der Batchvorhersage aus dem AutoML Tabular-Regressionsmodell bewerten Informationen zum Bewerten einer Agent Platform-Modellressource über einen Agent Platform-Pipelinejob mit `google_cloud_pipeline_components`: Weitere Informationen zur Agent Platform-Modellbewertung Weitere Informationen zur Regression für tabellarische Daten Anleitungsschritte Erstellen Sie ein Agent Platform-Dataset. Konfigurieren Sie eine `AutoMLTabularTrainingJob`-Klasse. Führen Sie den `AutoMLTabularTrainingJob` aus, der ein Modell zurückgibt. Importieren Sie eine vortrainierte `AutoML model resource` in die Pipeline. Führen Sie einen `batch prediction`-Job in der Pipeline aus. Bewerten Sie das AutoML-Modell mithilfe der `regression evaluation component`. Importieren Sie die generierten Regressionsmesswerte in die AutoML-Modellressource.	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training in der Agent Platform Modellbewertung in der Agent Platform	BatchPrediction-Ergebnisse aus einem benutzerdefinierten tabellarischen Klassifizierungsmodell bewerten. In dieser Anleitung trainieren Sie ein scikit-learn-RandomForest-Modell, speichern das Modell in der Agent Platform Model Registry und lernen, wie Sie das Modell über einen Agent Platform-Pipelinejob mit dem Google Cloud Pipeline Components Python SDK bewerten. Weitere Informationen zum benutzerdefinierten Training auf der Agent Platform Weitere Informationen zur Modellbewertung auf der Agent Platform Anleitungsschritte Rufen Sie das Dataset aus der öffentlichen Quelle ab. Vorverarbeiten Sie die Daten lokal und speichern Sie Testdaten in BigQuery. Trainieren Sie lokal ein RandomForest-Klassifizierungsmodell mit dem Python-Paket scikitlearn. Erstellen Sie in Artifact Registry einen benutzerdefinierten Container für Vorhersagen. Laden Sie das Modell in die Agent Platform Model Registry hoch. Erstellen und führen Sie eine Agent Platform-Pipeline aus, die	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform-Modellbewertung Benutzerdefiniertes Training	Ergebnisse der Batchvorhersage aus dem benutzerdefinierten Tabular-Regressionsmodell bewerten Informationen zum Bewerten einer Agent Platform-Modellressource über einen Agent Platform-Pipelinejob mit Google Cloud-Pipeline-Komponenten. Weitere Informationen zur Modellbewertung auf der Agent Platform Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie einen benutzerdefinierten Agent Platform-Trainingsjob, um ein TensorFlow-Modell zu trainieren. Führen Sie den benutzerdefinierten Trainingjob aus. Rufen Sie die Modellartefakte ab und laden Sie sie. Modellbewertung ansehen. Laden Sie das Modell als Agent Platform-Modellressource hoch. Importieren Sie eine vortrainierte Agent Platform-Modellressource in die Pipeline. Führen Sie einen Batchvorhersage-Job in der Pipeline aus. Bewerten Sie das Modell mithilfe der Regressionsbewertungs-Komponente. Importieren Sie die Regressionsmesswerte in die Agent Platform-Modellressource.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform AutoSxS-Modellbewertung	Prüfen Sie die Ausrichtung des Autoraters anhand eines Datasets mit menschlichen Präferenzen. Informationen zum Prüfen der Ausrichtung von Autoratern anhand von Daten mit menschlichen Präferenzen mit `Agent Platform Pipelines` und `google_cloud_pipeline_components`: Weitere Informationen zur Agent Platform AutoSxS-Modellbewertung Anleitungsschritte Erstellen Sie ein Bewertungs-Dataset mit Vorhersagen und menschlichen Präferenzdaten. Vorverarbeiten Sie die Daten lokal und speichern Sie sie in Cloud Storage. Erstellen Sie eine Agent Platform AutoSxS-Pipeline, die die Bewertungen und eine Reihe von AutoSxS-Messwerten anhand der generierten Bewertungen generiert. Drucken Sie die Bewertungen und AutoSxS-Messwerte. Bereinigen Sie die Ressourcen, die in diesem Notebook erstellt wurden.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform AutoSxS-Modellbewertung	Ein LLM in der Agent Platform Model Registry mit einem Drittanbietermodell vergleichen Informationen zum Vergleichen der Leistung von zwei LLM-Modellen mit `Agent Platform Pipelines` und `google_cloud_pipeline_components`: Weitere Informationen zur AutoSxS-Modellbewertung der Agent Platform Anleitungsschritte Rufen Sie das Dataset aus der öffentlichen Quelle ab. Vorverarbeiten Sie die Daten lokal und speichern Sie Testdaten in Cloud Storage. Erstellen und führen Sie eine Agent Platform AutoSxS-Pipeline aus, die die Bewertungen generiert und die beiden Kandidatenmodelle anhand der generierten Bewertungen bewertet. Drucken Sie die Bewertungen und Bewertungsmesswerte aus. Bereinigen Sie die Ressourcen, die in diesem Notebook erstellt wurden.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Model Monitoring für Batchvorhersagen	Agent Platform Batch Prediction mit Model Monitoring Erfahren Sie, wie Sie mit dem Agent Platform Model Monitoring-Dienst Drifts und Anomalien in der Batch-Vorhersage erkennen. Weitere Informationen zum Agent Platform Model Monitoring für Batchvorhersagen Anleitungsschritte Laden Sie ein vortrainiertes Modell als Agent Platform-Modellressource hoch. Generieren Sie Batchvorhersageanfragen. Interpretieren Sie die Statistiken, Visualisierungen und anderen Daten, die vom Modellmonitoringfeature gemeldet werden.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Model Monitoring	Agent Platform Model Monitoring für tabellarische AutoML-Modelle. Erfahren Sie, wie Sie mit dem Agent Platform Model Monitoring-Dienst Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen für tabellarische AutoML-Modelle erkennen. Weitere Informationen zum Modellmonitoring für die Agent Platform Anleitungsschritte Trainieren Sie ein AutoML-Modell. Stellen Sie die Modellressource in einer Agent Platform-Endpunktressource bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Generieren Sie synthetische Vorhersageanfragen für Abweichungen. Generieren Sie synthetische Vorhersageanfragen für Drift. Warten Sie auf die E-Mail-Warnung.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Model Monitoring	Agent Platform Model Monitoring für Onlinevorhersagen in AutoML-Bildmodellen Informationen zum Verwenden von `Agent Platform Model Monitoring` mit `Agent Platform Online Prediction` und einem AutoML-Bildklassifizierungsmodell, um ein Out-of-Distribution-Bild zu erkennen. Weitere Informationen zum Modellmonitoring für die Agent Platform Anleitungsschritte 1. Trainieren Sie ein AutoML-Bildklassifizierungsmodell 2. Erstellen Sie einen Endpunkt. 3. Stellen Sie das Modell auf dem Endpunkt bereit und konfigurieren Sie es für das Modellmonitoring. 4. Senden Sie eine Onlinevorhersage sowohl mit In-Distribution-Bildern als auch mit Out-of-Distribution-Bildern. 5. Verwenden Sie Model Monitoring, um die Anomaliepunktzahl für jedes Bild zu berechnen. 6. Identifizieren Sie die Out-of-Distribution-Bilder in der Onlinevorhersageanfrage.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Model Monitoring	Agent Platform Model Monitoring für benutzerdefinierte tabellarische Modelle. Erfahren Sie, wie Sie mit dem Agent Platform Model Monitoring-Dienst Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen für benutzerdefinierte tabellarische Modelle erkennen. Weitere Informationen zum Modellmonitoring für die Agent Platform Anleitungsschritte Laden Sie ein vortrainiertes benutzerdefiniertes tabellarisches Modell herunter. Laden Sie das vortrainierte Modell in die Agent Platform Model Registry hoch. Stellen Sie die Modellressource in einer Agent Platform-Endpunktressource bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Generieren Sie synthetische Vorhersageanfragen, um Schiefe zu simulieren. Warten Sie auf die E-Mail-Benachrichtigungen. Generieren Sie synthetische Vorhersageanfragen, um Drift zu simulieren. Warten Sie auf E-Mail-Benachrichtigungen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Model Monitoring	Agent Platform Model Monitoring für benutzerdefinierte tabellarische Modelle mit TensorFlow-Bereitstellungscontainer. Erfahren Sie, wie Sie mit dem Agent Platform Model Monitoring-Dienst Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen für benutzerdefinierte tabellarische Modelle erkennen, indem Sie einen benutzerdefinierten Deployment-Container verwenden. Weitere Informationen zum Modellmonitoring für die Agent Platform Anleitungsschritte Laden Sie ein vortrainiertes benutzerdefiniertes tabellarisches Modell herunter. Laden Sie das vortrainierte Modell als eine Modellressource hoch. Stellen Sie die Modellressource in einer Endpunktressource mit der Bereitstellungsbinärdatei "TensorFlow Serving" bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Generieren Sie synthetische Vorhersageanfragen für Abweichungen. Warten Sie auf die E-Mail-Warnung. Generieren Sie synthetische Vorhersageanfragen für Drift. Warten Sie auf die E-Mail-Warnung.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Model Monitoring	Agent Platform Model Monitoring zur Einrichtung von tabellarischen Modellen. Erfahren Sie, wie Sie den Agent Platform Model Monitoring-Dienst einrichten, um Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen zu erkennen. Weitere Informationen zum Modellmonitoring für die Agent Platform Anleitungsschritte Laden Sie ein vortrainiertes benutzerdefiniertes tabellarisches Modell herunter. Laden Sie das vortrainierte Modell als eine Modellressource hoch. Stellen Sie die Modellressource in der Endpunktressource bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Erkennung von Abweichungen und Drift für Feature-Eingaben. Erkennung von Abweichungen und Drift für Feature-Attributionen. Automatische Generierung des Eingabeschemas durch Senden einer 1.000-Vorhersageanfrage. Listen Sie Monitoringjobs auf, halten Sie sie an, setzen Sie sie fort und löschen Sie sie. Starten Sie den Monitoringjob mit vordefiniertem Eingabeschema neu. Rufen Sie protokollierte überwachte Daten auf.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Model Monitoring	Agent Platform Model Monitoring für XGBoost-Modelle Erfahren Sie, wie Sie mit dem Agent Platform Model Monitoring-Dienst Featureabweichungen und Drift in den Eingabe-Vorhersageanfragen für XGBoost-Modelle erkennen. Weitere Informationen zum Modellmonitoring für die Agent Platform Anleitungsschritte Laden Sie ein vortrainiertes XGBoost-Modell herunter. Laden Sie das vortrainierte Modell in die Agent Platform Model Registry hoch. Stellen Sie die Modellressource in einer Agent Platform-Endpunktressource bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Model Monitoring	Agent Platform Model Monitoring mit Vertex Explainable AI-Featureattributionen. Erfahren Sie, wie Sie mit dem Agent Platform Model Monitoring-Dienst Drifts und Anomalien in Vorhersageanfragen von einer bereitgestellten Agent Platform-Modellressource erkennen. Weitere Informationen zum Modellmonitoring für die Agent Platform Anleitungsschritte Laden Sie ein vortrainiertes Modell als Agent Platform-Modellressource hoch. Erstellen Sie eine Agent Platform-Endpunktressource. Stellen Sie die Modellressource in der Endpunktressource bereit. Konfigurieren Sie die Endpunktressource für das Modellmonitoring. Initialisieren Sie die Baseline-Verteilung für das Modellmonitoring. Generieren Sie synthetische Vorhersageanfragen. Machen Sie sich einen Begriff davon, wie Sie die Statistiken, Visualisierungen und anderen Daten interpretieren, die vom Modellmonitoringfeature gemeldet werden.	Colab Colab Enterprise GitHub Vertex AI Workbench
model_monitoring_v2	Modellmonitoring für benutzerdefinierten Agent Platform-Modell-Batchvorhersagejob. In dieser Anleitung führen Sie die folgenden Schritte aus: Anleitungsschritte	Colab Colab Enterprise GitHub Vertex AI Workbench
model_monitoring_v2	Modellmonitoring für benutzerdefinierte Onlinevorhersage von Agent Platform In dieser Anleitung führen Sie die folgenden Schritte aus: Anleitungsschritte	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Model Registry	Erste Schritte mit der Agent Platform Model Registry Mit Agent Platform Model Registry mehrere Versionen eines Modells erstellen und registrieren. Weitere Informationen zu Agent Platform Model Registry Anleitungsschritte Erste Version eines Modells in der Agent Platform Model Registry erstellen und registrieren Zweite Version eines Modells in der Agent Platform Model Registry erstellen und registrieren Modellversion aktualisieren, die die Standardversion ist. Modellversion löschen. Nächste Modellversion neu trainieren.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines AutoML-Komponenten Klassifizierung für tabellarische Daten	AutoML Tabular-Pipelines mit google-cloud-pipeline-components Erfahren Sie, wie Sie Agent Platform Pipelines und Google Cloud-Pipeline-Komponenten zum Erstellen eines tabellarischen AutoML-Klassifizierungsmodells verwenden. Weitere Informationen zu Agent Platform-Pipelines Erfahren Sie mehr über AutoML-Komponenten. Weitere Informationen zur Klassifizierung für Tabellendaten Anleitungsschritte Erstellen Sie eine KFP-Pipeline, mit der ein Agent Platform-Dataset erstellt wird. Fügen Sie der Pipeline eine Komponente hinzu, mit der eine tabellarische AutoML-Klassifizierungsmodellressource trainiert wird. Fügen Sie eine Komponente hinzu, mit der eine Agent Platform-Endpunktressource erstellt wird. Fügen Sie eine Komponente hinzu, die die Modellressource in der Endpunktressource bereitstellt. Kompilieren Sie die KFP-Pipeline. Führen Sie die KFP-Pipeline mit Agent Platform Pipelines aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines	Vergleich von Challenger- und Blessed-Methode für die Modellbereitstellung in der Produktion. Hier erfahren Sie, wie Sie eine Agent Platform-Pipeline erstellen, die eine neue Challenger-Version eines Modells trainiert, das Modell bewertet und die Bewertung mit dem vorhandenen Blessed-Modell in der Produktion vergleicht. Anleitungsschritte Importieren Sie ein vortrainiertes Modell (Blessed) in die Agent Platform Model Registry. Importieren Sie Messwerte der synthetischen Modellbewertung in das entsprechende Modell (Blessed). Agent Platform-Endpunktressource erstellen Stellen Sie das Blessed-Modell in der Endpunktressource bereit. Erstellen Sie eine Agent Platform-Pipeline, die die folgenden Schritte ausführt:	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines	Pipeline-Steuerungsstrukturen mit dem KFP SDK. Erfahren Sie, wie Sie das KFP SDK verwenden, das Schleifen und Bedingungen einschließlich verschachtelter Beispiele verwendet, um Pipelines zu erstellen. Weitere Informationen zu Agent Platform-Pipelines Anleitungsschritte KFP-Pipeline mit Ablaufsteuerungskomponenten erstellen Kompilieren Sie die KFP-Pipeline KFP-Pipeline mit Agent Platform Pipelines ausführen	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines Benutzerdefinierte Trainingskomponenten	Benutzerdefiniertes Training mit vordefinierten Google Cloud-Pipeline-Komponenten Erfahren Sie, wie Sie Agent Platform Pipelines und Google Cloud-Pipeline-Komponenten zum Erstellen eines benutzerdefinierten Modells verwenden. Weitere Informationen zu Agent Platform-Pipelines Erfahren Sie mehr über Benutzerdefinierte Trainingskomponenten. Anleitungsschritte Erstellen Sie eine KFP-Pipeline	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines Agent Platform-Batchvorhersagekomponenten	Training und Batchvorhersage mit BigQuery-Quelle und -Ziel für ein benutzerdefiniertes tabellarisches Klassifizierungsmodell. In dieser Anleitung trainieren Sie ein tabellarisches scikit-learn-Klassifizierungsmodell und erstellen dafür einen Batch-Vorhersagejob über eine Agent Platform-Pipeline mit google_cloud_pipeline_components. Weitere Informationen zu Agent Platform-Pipelines Weitere Informationen zu Batch Prediction-Komponenten der Agent Platform Anleitungsschritte Erstellen Sie ein Dataset in BigQuery. Legen Sie einige Daten aus dem Quell-Dataset für die Batchvorhersage fest. Erstellen Sie ein benutzerdefiniertes Python-Paket für die Trainingsanwendung. Laden Sie ein Python-Paket in Cloud Storage hoch. Erstellen Sie eine Agent Platform-Pipeline, die	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines Hyperparameter-Abstimmung für die Agent Platform	Erste Schritte mit den Pipeline-Komponenten der Agent Platform-Hyperparameter-Abstimmung Informationen zur Verwendung der vordefinierten Google Cloud-Pipeline-Komponenten für die Hyperparameter-Abstimmung der Agent Platform. Weitere Informationen zu Agent Platform-Pipelines Weitere Informationen zur Hyperparameter-Abstimmung auf der Agent Platform Anleitungsschritte Erstellen Sie eine Pipeline für	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines	Erste Schritte mit der Maschinenverwaltung für Agent Platform-Pipelines Erfahren Sie, wie Sie eine eigenständige benutzerdefinierte Trainingskomponente in eine `Agent Platform CustomJob` konvertieren. Dabei gilt: Anleitungsschritte Benutzerdefinierte Komponente mit einem eigenständigen Trainingsjob erstellen. Pipeline mit den Einstellungen auf Komponentenebene für Maschinenressourcen ausführen. Eigenständige Trainingskomponente in einen `Agent Platform CustomJob` konvertieren. Pipeline mit Einstellungen des benutzerdefinierten Jobs für Maschinenressourcen ausführen.	Colab GitHub Vertex AI Workbench
Agent Platform Pipelines AutoML-Komponenten	AutoML-Bildklassifizierungspipelines mit google-cloud-pipeline-components. Erfahren Sie, wie Sie Agent Platform Pipelines und Google Cloud-Pipeline-Komponenten zum Erstellen eines AutoML-Bildklassifizierungsmodells verwenden. Weitere Informationen zu Agent Platform-Pipelines Erfahren Sie mehr über AutoML-Komponenten. Anleitungsschritte Erstellen Sie eine KFP-Pipeline	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines AutoML-Komponenten Regression für tabellarische Daten	Tabellarische AutoML-Regressionspipelines mit google-cloud-pipeline-components. Informationen zum Erstellen eines tabellarischen `AutoML`-Regressionsmodells mit `Agent Platform Pipelines` und `Google Cloud Pipeline Components` Weitere Informationen zu Agent Platform-Pipelines Weitere Informationen zu AutoML-Komponenten Weitere Informationen zur Regression für tabellarische Daten Anleitungsschritte Erstellen Sie eine KFP-Pipeline, die eine `Dataset`-Ressource erstellt. Fügen Sie der Pipeline eine Komponente hinzu, mit der eine `Model`-Ressource für die tabellarische AutoML-Regression trainiert wird. Fügen Sie eine Komponente hinzu, mit der eine `Endpoint`-Ressource erstellt wird. Fügen Sie eine Komponente hinzu, die die Ressource `Model` in der Ressource `Endpoint` bereitstellt. Kompilieren Sie die KFP-Pipeline. Führen Sie die KFP-Pipeline mit `Agent Platform Pipelines` aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines BigQuery ML-Komponenten	Akquisitions-/Vorhersagemodell mit Swivel, BigQuery ML und Agent Platform Pipelines trainieren. Erfahren Sie, wie Sie mit Agent Platform-Pipelines eine einfache BigQuery ML-Pipeline erstellen, um Texteinbettungen von Artikelinhalten zu berechnen und sie in die Kategorie Unternehmensakquisitionen zu klassifizieren. Weitere Informationen zu Agent Platform-Pipelines Erfahren Sie mehr über BigQuery ML-Komponenten. Anleitungsschritte Erstellen Sie eine Komponente für einen Dataflow-Job, der Daten in BigQuery aufnimmt. Erstellen Sie eine Komponente für Vorverarbeitungsschritte, die mit den Daten in BigQuery ausgeführt werden. Erstellen Sie eine Komponente zum Trainieren eines logistischen Regressionsmodells mit BigQuery ML. Erstellen und konfigurieren Sie eine Kubeflow DSL-Pipeline mit allen erstellten Komponenten. Kompilieren Sie die Pipeline in Agent Platform Pipelines und führen Sie sie aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines Benutzerdefinierte Trainingskomponenten	Modelltraining, -upload und -bereitstellung mithilfe von Google Cloud-Pipeline-Komponenten Erfahren Sie, wie Sie Agent Platform Pipelines und die Google Cloud-Pipeline-Komponente zum Erstellen und Bereitstellen eines benutzerdefinierten Modells verwenden. Weitere Informationen zu Agent Platform-Pipelines Erfahren Sie mehr über Benutzerdefinierte Trainingskomponenten. Anleitungsschritte Erstellen Sie eine KFP-Pipeline	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines	Agent Platform-Pipelines mit KFP 2.x Informationen zur Verwendung von `Agent Platform Pipelines` und KFP 2. Anleitungsschritte Erstellen Sie eine KFP-Pipeline	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines	Einfache funktionsbasierte Python-Komponenten und Komponenten-E/A. Erfahren Sie, wie Sie mit dem KFP SDK einfache funktionsbasierte Python-Komponenten erstellen können und lernen Sie anschließend, wie Sie mit Agent Platform Pipelines die Pipeline ausführen. Weitere Informationen zu Agent Platform-Pipelines Anleitungsschritte Erstellen Sie funktionsbasierte Python-KFP-Komponenten. Erstellen Sie eine KFP-Pipeline. Übergeben Sie Artefakte und Parameter zwischen Komponenten, sowohl nach Pfadreferenz als auch nach Wert. Verwenden Sie die Methode kfp.dsl.importer. Kompilieren Sie die KFP-Pipeline. KFP-Pipeline mit Agent Platform Pipelines ausführen	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines	Messwertvisualisierung und Ausführungsvergleich mithilfe des KFP SDK. Erfahren Sie, wie Sie mit dem KFP SDK für Python Pipelines erstellen, die Bewertungsmesswerte generieren. Weitere Informationen zu Agent Platform-Pipelines Anleitungsschritte Erstellen Sie KFP-Komponenten.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines	Vergleich von Multicontender- und Champion-Methode für die Modellbereitstellung in der Produktion. Hier erfahren Sie, wie Sie eine Agent Platform-Pipeline erstellen, die neue Produktionsdaten aus einem bereitgestellten Modell im Vergleich zu anderen Versionen des Modells bewertet, um festzustellen, ob ein Contender-Modell zum Champion-Modell für die Ersetzung in der Produktion wird. Anleitungsschritte Importieren Sie ein vortrainiertes Modell (Champion) in die Agent Platform Model Registry. Importieren Sie Messwerte für die synthetische Modellbewertung in das entsprechende Modell (Champion). Erstellen Sie eine Agent Platform-Endpunktressource. Stellen Sie das Champion-Modell in der Endpunktressource bereit. Importieren Sie zusätzliche Versionen (Contender) des bereitgestellten Modells. Importieren Sie Messwerte für die synthetische Modelltrainingsbewertung in die entsprechenden Modelle (Contender). Erstellen Sie eine Agent Platform-Pipeline, die die folgenden Schritte ausführt:	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Pipelines	Pipeline-Einführung für KFP. Erfahren Sie, wie Sie mit dem KFP SDK für Python Pipelines erstellen, die Bewertungsmesswerte generieren. Weitere Informationen zu Agent Platform-Pipelines Anleitungsschritte Definieren und kompilieren Sie eine Agent Platform-Pipeline. Geben Sie an, welches Dienstkonto für eine Pipelineausführung verwendet werden soll. Führen Sie die Pipeline mit dem Agent Platform SDK für Python und der REST API aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
AutoML-Komponenten BigQuery ML-Komponenten	BigQuery ML und AutoML – Rapid Prototyping mit der Agent Platform Informationen zum Verwenden von Agent Platform Pipelines für ein schnelles Prototyping eines Modells. Erfahren Sie mehr über AutoML-Komponenten. Erfahren Sie mehr über BigQuery ML-Komponenten. Anleitungsschritte Erstellen Sie ein BigQuery- und Agent Platform-Trainings-Dataset. Trainieren Sie ein BigQuery ML- und AutoML-Modell. Extrahieren Sie Bewertungsmesswerte aus den BigQuery ML- und AutoML-Modellen. Wählen Sie das am besten trainierte Modell aus. Stellen Sie das am besten trainierte Modell bereit. Testen Sie die bereitgestellte Modellinfrastruktur.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform-Batchinferenz	Batchinferenz mit benutzerdefinierten Modellen und Featurefilterung. Erfahren Sie, wie Sie mit dem Agent Platform SDK für Python ein benutzerdefiniert trainiertes Modell aus einem Python-Script in einem Docker-Container erstellen und dann einen Batchinferenzjob ausführen, indem Sie eine Liste von Features ein- oder ausschließen. Weitere Informationen zur Batchinferenz auf der Agent Platform Anleitungsschritte Erstellen Sie eine benutzerdefinierte `TrainingPipeline` für die Agent Platform zum Trainieren eines Modells. Trainieren Sie ein TensorFlow-Modell. Senden Sie einen Batchvorhersagejob.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Inference	Erste Schritte mit dem NVIDIA Triton-Server. Hier erfahren Sie, wie Sie einen Container bereitstellen, auf dem Nvidia Triton Server mit einer Agent Platform-Modellressource auf einem Agent Platform-Endpunkt für Onlinevorhersagen ausgeführt wird. Weitere Informationen zu Agent Platform Inference Anleitungsschritte Laden Sie die Modellartefakte aus TensorFlow Hub herunter. Erstellen Sie eine Triton-Konfigurationsdatei für die Bereitstellung für das Modell. Erstellen Sie einen benutzerdefinierten Container mit einem Triton-Bereitstellungs-Image für die Modellbereitstellung. Laden Sie das Modell als Agent Platform-Modellressource hoch. Stellen Sie die Agent Platform-Modellressource in einer Agent Platform-Endpunktressource bereit. Vorhersageanfrage stellen Heben Sie die Bereitstellung der Modellressource auf und löschen Sie den Endpunkt	Colab Colab Enterprise GitHub Vertex AI Workbench
Raw Predict	Erste Schritte mit TensorFlow-Bereitstellungsfunktionen mit Agent Platform Raw Prediction Erfahren Sie, wie Sie `Agent Platform Raw Prediction` für eine `Agent Platform Endpoint`-Ressource verwenden. Weitere Informationen zu Raw Predict. Anleitungsschritte Laden Sie vortrainierte tabellarische Klassifizierungsmodellartefakte für einen TensorFlow 1.x-Estimator herunter. Laden Sie das TensorFlow-Estimator-Modell als `Agent Platform Model`-Ressource hoch. `Endpoint`-Ressource erstellen Bereitstellen der Ressource `Model` in einer `Endpoint`-Ressource. Treffen Sie eine Online-Rohvorhersage für die `Model`-Ressourceninstanz, die in der `Endpoint`-Ressource bereitgestellt ist.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vorhersagen von einem benutzerdefinierten Modell abrufen	Erste Schritte mit TensorFlow Serving mit Agent Platform Inference Erfahren Sie, wie Sie `Agent Platform Inference` für eine `Agent Platform Endpoint`-Ressource mit der Bereitstellungsbinärdatei `TensorFlow Serving` verwenden. Erfahren Sie mehr über den Abruf von Vorhersagen von einem benutzerdefiniert trainierten Modell. Anleitungsschritte	Colab Colab Enterprise GitHub Vertex AI Workbench
Private Endpunkte	Erste Schritte mit privaten Endpunkten der Agent Platform Mehr zum Verwenden von `Agent Platform Private Endpoint`-Ressourcen Weitere Informationen zu privaten Endpunkten Anleitungsschritte `Private Endpoint` Ressource erstellen VPC-Peering-Verbindung konfigurieren. Bereitstellungsbinärdatei einer `Model`-Ressource für die Bereitstellung in einer `Private Endpoint`-Ressource konfigurieren. Bereitstellung einer `Model`-Ressource in einer `Private Endpoint`-Ressource Vorhersageanfrage an ein `Private Endpoint` senden	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform-Sprachmodelle	Agent Platform LLM und Streamingvorhersage. Erfahren Sie, wie Sie mit Agent Platform LLM ein vortrainiertes LLM-Modell herunterladen, Vorhersagen treffen und das Modell abstimmen. Weitere Informationen zu Agent Platform-Sprachmodellen Anleitungsschritte Laden Sie ein vortrainiertes Textgenerierungsmodell. Treffen Sie eine Nicht-Streaming-Vorhersage Laden Sie ein vortrainiertes Textgenerierungsmodell, das Streaming unterstützt. Streamingvorhersage treffen Laden Sie ein vortrainiertes Chatmodell. Lokale interaktive Chatsitzung ausführen. Batchvorhersage mit einem Modell zur Textgenerierung durchführen. Batchvorhersage mit einem Texteinbettungsmodell durchführen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vorkonfigurierte Container für Vorhersagen	PyTorch-Bildmodelle mit vordefinierten Containern in der Agent Platform bereitstellen Informationen zum Verpacken und Bereitstellen eines PyTorch-Bildklassifizierungsmodells mit einem vordefinierten Agent Platform-Container mit TorchServe zur Bereitstellung von Online- und Batchvorhersagen. Weitere Informationen zu vordefinierten Containern für die Vorhersage. Anleitungsschritte Laden Sie ein vortrainiertes Bildmodell von PyTorch herunter. Erstellen Sie einen benutzerdefinierten Modell-Handler. Verpacken Sie Modellartefakte in einer Modellarchivdatei. Laden Sie das Modell für die Bereitstellung hoch. Stellen Sie das Modell für die Vorhersage bereit. Onlinevorhersagen treffen Batchvorhersagen treffen	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Inference	PyTorch-Modelle mit vordefinierten Containern in der Agent Platform trainieren und bereitstellen Erfahren Sie, wie Sie ein PyTorch-Bildklassifizierungsmodell mit vordefinierten Containern für benutzerdefiniertes Training und die Vorhersage erstellen, trainieren und bereitstellen. Anleitungsschritte Verpacken Sie die Trainingsanwendung in eine Python-Quelldistribution. Konfigurieren Sie den Trainingsjob in einem vordefinierten Container und führen Sie ihn aus. Verpacken Sie Modellartefakte in einer Modellarchivdatei. Laden Sie das Modell für die Bereitstellung hoch. Stellen Sie das Modell mit einem vordefinierten Container für die Vorhersage bereit. Onlinevorhersagen treffen	Colab Colab Enterprise GitHub Vertex AI Workbench
Ray on Agent Platform – Übersicht	Erste Schritte mit PyTorch auf Ray auf der Agent Platform Erfahren Sie, wie Sie den Trainingsprozess eines PyTorch-Bildklassifizierungsmodells mithilfe von Ray auf der Agent Platform effizient verteilen. Weitere Informationen zu Ray auf Agent Platform Anleitungsschritte Trainingsskript vorbereiten Ray-Job mit der Ray Jobs API senden Laden Sie ein trainiertes Bildmodell von PyTorch herunter. Erstellen Sie einen benutzerdefinierten Modell-Handler. Verpacken Sie Modellartefakte in einer Modellarchivdatei. Modell in der Agent Platform Model Registry registrieren Modell in einem Agent Platform-Endpunkt bereitstellen Onlinevorhersagen treffen	Colab Colab Enterprise GitHub Vertex AI Workbench
Ray on Agent Platform – Übersicht	Clusterverwaltung für Ray in Agent Platform Hier erfahren Sie, wie Sie einen Cluster erstellen, vorhandene Cluster auflisten, einen Cluster abrufen, einen Cluster aktualisieren und einen Cluster löschen. Weitere Informationen zu Ray auf Agent Platform Anleitungsschritte Erstellen Sie einen Cluster. Listen Sie vorhandene Cluster auf. Rufen Sie einen Cluster ab. Skalieren Sie den Cluster manuell hoch und dann herunter. Cluster automatisch skalieren. Löschen Sie vorhandene Cluster.	Colab Colab Enterprise GitHub Vertex AI Workbench
Ray in Agent Platform Spark on Ray in Agent Platform	Spark on Ray on Agent Platform. Informationen dazu, wie Sie mit RayDP Spark-Anwendungen in einem Ray-Cluster auf der Agent Platform ausführen. Weitere Informationen zu Ray auf Agent Platform Weitere Informationen zu Spark on Ray auf der Agent Platform Anleitungsschritte Benutzerdefiniertes Container-Image für Ray on Agent Platform erstellen Ray-Cluster auf der Agent Platform mit einem benutzerdefinierten Container-Image erstellen Spark interaktiv mit RayDP auf dem Cluster ausführen Spark-Anwendung auf einem Cluster über die Ray Job API ausführen Dateien aus Google Cloud Storage in der Spark-Anwendung lesen Pandas-UDF in Spark-Anwendung auf Ray in Agent Platform Ray-Cluster in Agent Platform löschen	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training Agent Platform Reduction Server	Verteiltes PyTorch-Training mit Agent Platform Reduction Server. Erfahren Sie, wie Sie einen verteilten PyTorch-Trainingsjob erstellen, der ein verteiltes PyTorch-Trainings-Framework und -Tools verwendet, und den Trainingsjob im Vertex AI-Trainingsdienst mit Reduction Server ausführen. Erfahren Sie mehr über Vertex AI Training. Weitere Informationen zum Agent Platform Reduction Server Anleitungsschritte Erstellen Sie eine verteilte PyTorch-Trainingsanwendung. Verpacken Sie die Trainingsanwendung mit vordefinierten Containern. Benutzerdefinierten Job auf Agent Platform mit Reduction Server erstellen Job senden und überwachen	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training	Benutzerdefiniertes Training mit Python-Paket, verwaltetem Text-Dataset und TF-Bereitstellungscontainer. Erfahren Sie, wie Sie mithilfe von benutzerdefinierten Python-Pakettrainings ein benutzerdefiniertes Modell erstellen. Außerdem erfahren Sie, wie Sie das Modell mit einem TensorFlow-Bereitstellungscontainer für Onlinevorhersagen bereitstellen. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie Dienstfunktionen zum Herunterladen von Daten und zum Vorbereiten von CSV-Dateien für das Erstellen eines verwalteten Datasets für die Agent-Plattform. Daten herunterladen Bereiten Sie CSV-Dateien für das Erstellen verwalteter Datasets vor Erstellen Sie ein Python-Paket für benutzerdefiniertes Training Erstellen Sie einen TensorFlow-Bereitstellungscontainer Führen Sie ein benutzerdefiniertes Python-Pakettraining mit verwaltetem Text-Dataset aus Modell bereitstellen und Endpunkt in Agent Platform erstellen Erstellen Sie Vorhersagen auf dem Endpunkt Erstellen Sie einen Batchvorhersagejob für das Modell	Colab Colab Enterprise GitHub Vertex AI Workbench
Tabellarischer Workflow für TabNet	Agent Platform Explanations mit TabNet-Modellen Erfahren Sie, wie Sie ein Beispiel-Darstellungstool zur Visualisierung der Ausgabe von TabNet bereitstellen, was bei der Erklärung des Algorithmus hilfreich ist. Weitere Informationen zum tabellarischen Workflow für TabNet Anleitungsschritte Richten Sie ein Projekt ein. Laden Sie die Vorhersagedaten des vortrainierten Modells für Syn2-Daten herunter. Visualisieren und erfassen Sie die Featurewichtigkeit basierend auf der Maskenausgabe. Bereinigen Sie die in dieser Anleitung erstellte Ressource.	Colab Colab Enterprise GitHub Vertex AI Workbench
BigQuery ML ARML+-Prognosen für tabellarische Daten	BigQuery ML ARIMA_PLUS-Modell mit Agent Platform-Tabular-Workflows trainieren Erfahren Sie , wie Sie das BigQuery ML ARIMA_PLUS-Modell mit einer Agent Platform-Trainingspipeline aus Google Cloud-Pipeline-Komponenten erstellen und dann eine Batch-Vorhersage mit der entsprechenden Vorhersagepipeline erstellen. Weitere Informationen zu BigQuery ML ARIMA+-Prognosen für tabellarische Daten Anleitungsschritte Trainieren Sie das BigQuery ML ARIMA_PLUS-Modell. Sehen Sie sich die BigQuery ML-Modellbewertung an. Erstellen Sie eine Batchvorhersage mit dem BigQuery ML-Modell.	Colab Colab Enterprise GitHub Vertex AI Workbench
Google Cloud-Pipeline-Komponenten Prophet für tabellarische Daten	Prophet-Modell mit tabellarischen Workflows der Agent Platform trainieren. Erfahren Sie , wie Sie mithilfe einer Agent Platform-Trainingspipeline aus Google Cloud-Pipeline-Komponenten mehrere Prophet-Modelle erstellen und dann mit der entsprechenden Vorhersage-Pipeline eine Batchvorhersage erstellen. Weitere Informationen zu Google Cloud-Pipeline-Komponenten. Weitere Informationen zu Prophet für tabellarische Daten. Anleitungsschritte 1. Trainieren Sie die Prophet-Modelle. 1. Rufen Sie die Bewertungsmesswerte auf. 1. Erstellen Sie eine Batchvorhersage mit den Prophet-Modellen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Tabellarischer Workflow für TabNet	TabNet-Pipeline. Erfahren Sie, wie Sie mit zwei der tabellarischen Workflows von Agent Platform TabNet Klassifizierungsmodelle für tabellarische Daten erstellen. Weitere Informationen zum tabellarischen Workflow für TabNet Anleitungsschritte Erstellen Sie einen TabNet-CustomJob. Diese Option eignet sich am besten, wenn Sie wissen, welche Hyperparameter für das Training verwendet werden sollen. Erstellen Sie einen TabNet-HyperparameterTuningJob. So können Sie die besten Hyperparameter für Ihren Datensatz ermitteln.	Colab Colab Enterprise GitHub Vertex AI Workbench
Tabellarischer Workflow für Wide & Deep	Wide & Deep-Pipeline. Erfahren Sie, wie Sie mit tabellarischen Wide & Deep-Workflows der Agent Platform zwei Klassifizierungsmodelle erstellen. Weitere Informationen zum tabellarischen Workflow für Wide & Deep Anleitungsschritte Erstellen Sie einen Wide & Deep-CustomJob. Diese Option eignet sich am besten, wenn Sie wissen, welche Hyperparameter für das Training verwendet werden sollen. Erstellen Sie einen Wide & Deep-HyperparameterTuningJob. So können Sie die besten Hyperparameter für Ihren Datensatz ermitteln.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform TensorBoard Benutzerdefiniertes Training	Benutzerdefiniertes Agent Platform TensorBoard-Training mit benutzerdefiniertem Container Erfahren Sie, wie Sie einen benutzerdefinierten Trainingsjob mithilfe von benutzerdefinierten Containern erstellen und den Trainingsprozess in Agent Platform TensorBoard nahezu in Echtzeit überwachen. Weitere Informationen zu Agent Platform TensorBoard Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie ein Docker-Repository und eine Docker-Konfiguration. Erstellen Sie ein benutzerdefiniertes Container-Image mit Ihrem benutzerdefinierten Trainingscode. Richten Sie ein Dienstkonto und Google Cloud Storage-Buckets ein. Erstellen und starten Sie Ihren benutzerdefinierten Trainingsjob mit dem benutzerdefinierten Container.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform TensorBoard Benutzerdefiniertes Training	Benutzerdefiniertes Agent Platform TensorBoard-Training mit vordefiniertem Container Erfahren Sie, wie Sie einen benutzerdefinierten Trainingsjob mithilfe von vordefinierten Containern erstellen und Ihren Trainingsprozess in Agent Platform TensorBoard nahezu in Echtzeit überwachen. Weitere Informationen zu Agent Platform TensorBoard Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Richten Sie ein Dienstkonto und Google Cloud Storage-Buckets ein. Schreiben Sie Ihren benutzerdefinierten Trainingscode. Verpacken Sie Ihren Trainingscode und laden Sie ihn in Cloud Storage hoch. Erstellen und starten Sie Ihren benutzerdefinierten Trainingsjob mit aktiviertem Agent Platform TensorBoard für Monitoring nahezu in Echtzeit.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform TensorBoard	Agent Platform TensorBoard-Hyperparameter-Abstimmung mit dem HParams-Dashboard. In diesem Notebook trainieren Sie ein Modell und führen mit TensorFlow eine Hyperparameter-Abstimmung durch. Anleitungsschritte Passen Sie TensorFlow-Ausführungen für das Logging von Hyperparametern und Messwerten an. Starten Sie Ausführungen und protokollieren Sie alle in einem übergeordneten Verzeichnis. Visualisieren Sie die Ergebnisse im HParams-Dashboard von Agent Platform TensorBoard.	Colab Colab Enterprise GitHub Vertex AI Workbench
Profiler Agent Platform TensorBoard	Leistung des Modelltrainings mit Profiler profilieren Erfahren Sie, wie Sie Profiler für benutzerdefinierte Trainingsjobs aktivieren. Profiler Weitere Informationen zu Agent Platform TensorBoard Anleitungsschritte Erstellen Sie ein Dienstkonto und einen Cloud Storage-Bucket Agent Platform TensorBoard-Instanz erstellen Erstellen Sie einen benutzerdefinierten Trainingsjob, der den Profiler aktiviert, und führen Sie ihn aus. Profiler-Dashboard aufrufen, um Fehler in der Modelltrainingsleistung zu beheben	Colab Colab Enterprise GitHub Vertex AI Workbench
Profiler Agent Platform TensorBoard	Leistung des Modelltrainings mit Cloud Profiler im benutzerdefinierten Training mit vordefiniertem Container profilieren. Informationen zum Aktivieren des Profilers in der Agent Platform für benutzerdefinierte Trainingsjobs mit einem vordefinierten Container. Profiler Weitere Informationen zu Agent Platform TensorBoard Anleitungsschritte Bereiten Sie Ihren benutzerdefinierten Trainingscode vor und laden Sie Ihren Trainingscode als ein Python-Paket in einen vordefinierten Container Erstellen Sie einen benutzerdefinierten Trainingsjob, der den Profiler aktiviert, und führen Sie ihn aus. Profiler-Dashboard aufrufen, um Fehler in der Modelltrainingsleistung zu beheben	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform TensorBoard Agent Platform Pipelines	Einbindung von Agent Platform TensorBoard in Agent Platform Pipelines. Erfahren Sie, wie Sie mit dem KFP SDK eine Trainingspipeline erstellen, die Pipeline in Agent Platform Pipelines ausführen und den Trainingsprozess in Agent Platform TensorBoard nahezu in Echtzeit überwachen. Weitere Informationen zu Agent Platform TensorBoard Weitere Informationen zu Agent Platform-Pipelines Anleitungsschritte Richten Sie ein Dienstkonto und Google Cloud Storage-Buckets ein. Erstellen Sie eine KFP-Pipeline mit Ihrem benutzerdefinierten Trainingscode. Kompilieren Sie die KFP-Pipeline in Agent Platform Pipelines und führen Sie sie aus, wobei Agent Platform TensorBoard für das Monitoring nahezu in Echtzeit aktiviert ist.	Colab Colab Enterprise GitHub Vertex AI Workbench
Hyperparameter-Abstimmung für die Agent Platform	Verteilte Hyperparameter-Abstimmung für die Agent Platform. In diesem Notebook erstellen Sie ein benutzerdefiniert trainiertes Modell aus einem Python-Script in einem Docker-Container. Weitere Informationen zur Hyperparameter-Abstimmung auf der Agent Platform Anleitungsschritte Führen Sie das Training mit einem Python-Paket durch. Erstellen Sie einen Bericht zur Accuracy bei der Hyperparameter-Abstimmung. Speichern Sie Modellartefakte mit Cloud StorageFuse in Cloud Storage.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training	Erste Schritte mit Vertex AI Training für LightGBM. Informationen zum Trainieren eines benutzerdefinierten LightGBM-Modells mit der Methode für benutzerdefinierte Container für Vertex AI Training. Anleitungsschritte Führen Sie das Training mit einem Python-Paket durch. Speichern Sie Modellartefakte mit Cloud StorageFuse in Cloud Storage. Erstellen Sie einen FastAPI-Vorhersageserver. Erstellen Sie ein Dockerfile-Bereitstellungsimage für den Server. Testen Sie das Bereitstellungsimage lokal (optional und nicht für Colab-Nutzer). Erstellen Sie eine Modellressource für die Agent Platform. Führen Sie einen Batchvorhersage-Job aus. Stellen Sie das Modell auf einem Endpunkt bereit und senden Sie Anfragen für die Onlinevorhersage. Bereinigen Sie die erstellten Ressourcen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Verteiltes Training auf der Agent Platform	Erste Schritte mit dem verteilten Training der Agent Platform Erfahren Sie, wie Sie verteiltes Training der Agent Platform beim Training mit `Agent Platform` verwenden. Weitere Informationen zum verteilten Training auf der Agent Platform Anleitungsschritte	Colab Colab Enterprise GitHub Vertex AI Workbench
Hyperparameter-Abstimmung für die Agent Platform	Hyperparameter-Abstimmung für ein TensorFlow-Modell ausführen. Informationen zum Ausführen eines Agent Platform-Hyperparameter-Abstimmungsjobs für ein TensorFlow-Modell. Weitere Informationen zur Hyperparameter-Abstimmung auf der Agent Platform Anleitungsschritte Ändern Sie den Trainingsanwendungscode für die automatische Hyperparameter-Abstimmung. Containerisieren Sie den Trainingsanwendungscode. Konfigurieren und starten Sie einen Hyperparameter-Abstimmungsjob mit dem Agent Platform Python SDK.	Colab Colab Enterprise GitHub Vertex AI Workbench
Hyperparameter-Abstimmung für die Agent Platform	Agent Platform Hyperparameter Tuning for XGBoost Informationen zum Trainieren eines XGBoost-Modells mit dem Dienst zur Hyperparameter-Abstimmung der Agent Platform. Weitere Informationen zur Hyperparameter-Abstimmung auf der Agent Platform Anleitungsschritte Training mit einem Python-Trainingsanwendungspaket durchführen Erstellen Sie einen Bericht zur Accuracy während der Hyperparameter-Abstimmung. Speichern Sie Modellartefakte mit Cloud StorageFuse in Cloud Storage. Geben Sie das beste Modell an.	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training	Paralleles PyTorch-Bildklassifizierungstraining mit verteilten Daten und mehreren Knoten auf CPU mit Agent Platform-Training und benutzerdefiniertem Container. Erfahren Sie, wie Sie einen verteilten PyTorch-Trainingsjob mit dem Agent Platform SDK für Python und benutzerdefinierten Containern erstellen. Erfahren Sie mehr über Vertex AI Training. Anleitungsschritte Google Cloud -Projekt einrichten	Colab Colab Enterprise GitHub Vertex AI Workbench
Vertex AI Training	PyTorch-Bildklassifizierung mit parallelem Training mit verteilten Daten und mehreren NCCL-Knoten auf CPU und Agent Platform Erfahren Sie, wie Sie einen verteilten PyTorch-Trainingsjob mit dem Agent Platform SDK für Python und benutzerdefinierten Containern erstellen. Erfahren Sie mehr über Vertex AI Training. Anleitungsschritte Erstellen Sie einen benutzerdefinierten Container mit Artifact Registry und Docker. Erstellen Sie eine Agent Platform TensorBoard-Instanz zum Speichern Ihres Agent Platform-Tests. Führen Sie einen Agent Platform-Trainingsjob mit dem Agent Platform SDK für Python aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training	PyTorch-Textsentiment-Klassifizierungsmodell in der Agent Platform trainieren, abstimmen und bereitstellen Erfahren Sie, wie Sie ein PyTorch-Modell in der Agent Platform erstellen, trainieren, abstimmen und bereitstellen. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Erstellen Sie ein Trainingspaket für das Textklassifizierungsmodell. Trainieren Sie das Modell mit benutzerdefiniertem Training in der Agent Platform. Prüfen Sie die erstellten Modellartefakte. Erstellen Sie einen benutzerdefinierten Container für Vorhersagen. Stellen Sie das trainierte Modell mithilfe des benutzerdefinierten Containers für Vorhersagen in einem Agent Platform-Endpunkt bereit. Senden und validieren Sie Onlinevorhersageanfragen an das bereitgestellte Modell. Bereinigen Sie die Ressourcen, die in diesem Notebook erstellt wurden.	Colab Colab Enterprise GitHub Vertex AI Workbench
PyTorch-Integration in die Agent Platform	PyTorch-Modell auf der Agent-Plattform mit Daten aus Cloud Storage trainieren Hier erfahren Sie, wie Sie einen Trainingsjob mit PyTorch und einem in Cloud Storage gespeicherten Dataset erstellen. Weitere Informationen zur PyTorch-Integration in Agent Platform Anleitungsschritte Schreiben Sie ein benutzerdefiniertes Trainingsscript, das Ihre Trainings- und Test-Datasets erstellt und das Modell trainiert. Führen Sie einen `CustomTrainingJob` mit dem Agent Platform SDK für Python aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
Verteiltes Training	PyTorch torchrun verwenden, um das Training mit mehreren Knoten und benutzerdefinierten Containern zu vereinfachen Erfahren Sie, wie Sie ein ImageNet-Modell mit Torchrun von PyTorch auf mehreren Knoten trainieren. Erfahren Sie mehr über verteiltes Training. Anleitungsschritte Erstellen Sie ein Shell-Script, um einen ETCD-Cluster auf dem Masterknoten zu starten Erstellen Sie ein Trainingsscript mit Code aus dem GitHub-Repository von PyTorch Elastic Erstellen Sie Container, die die Daten herunterladen, und einen ETCD-Cluster auf dem Host starten Trainieren Sie das Modell mit mehreren Knoten mit GPUs	Colab Colab Enterprise GitHub Vertex AI Workbench
Benutzerdefiniertes Training	Verteiltes XGBoost-Training mit Dask. Hier erfahren Sie, wie Sie mithilfe von XGBoost mit Dask einen verteilten Trainingsjob erstellen. Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Konfigurieren Sie die Variablen `PROJECT_ID` und `LOCATION` für Ihr Google Cloud-Projekt. Erstellen Sie einen Cloud Storage-Bucket zum Speichern Ihrer Modellartefakte. Erstellen Sie einen benutzerdefinierten Docker-Container, der Ihren Trainingscode hostet, und übertragen Sie das Container-Image per Push in Artifact Registry. Führen Sie einen CustomContainerTrainingJob mit dem Agent Platform SDK aus.	Colab Colab Enterprise GitHub Vertex AI Workbench
vector_search	Multimodale Einbettungen und die Vektorsuche der Agent Platform verwenden. Hier erfahren Sie, wie Sie benutzerdefinierte Texteinbettungen codieren, einen Index für den ungefähren nächsten Nachbarn erstellen und Indexe abfragen. Anleitungsschritte Bild-Dataset in Einbettungen konvertieren Index erstellen. Einbettungen in den Index hochladen IndexEndpoint erstellen Index für den Indexendpunkt bereitstellen Onlineabfrage durchführen	Colab Colab Enterprise GitHub Vertex AI Workbench
Vektorsuche auf der Agent Platform	Agent Platform Vector Search für StackOverflow-Fragen verwenden Hier erfahren Sie, wie Sie benutzerdefinierte Texteinbettungen codieren, einen Index für den ungefähren nächsten Nachbarn erstellen und Indexe abfragen. Weitere Informationen zur Vektorsuche auf der Agent Platform Anleitungsschritte ANN-Index erstellen Indexendpunkt mit VPC-Netzwerk erstellen ANN-Index bereitstellen Onlineabfrage ausführen	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Vector Search Agent Platform-Embeddings für Text	Agent Platform Vector Search und Agent Platform-Einbettungen für Text für StackOverflow-Fragen verwenden Hier erfahren Sie, wie Sie Texteinbettungen codieren, einen Index für den ungefähren nächsten Nachbarn erstellen und Indexe abfragen. Weitere Informationen zur Vektorsuche auf der Agent Platform Weitere Informationen zu Agent Platform-Einbettungen für Text Anleitungsschritte BigQuery-Dataset in Einbettungen konvertieren Index erstellen. Einbettungen in den Index hochladen IndexEndpoint erstellen Index für den Indexendpunkt bereitstellen Onlineabfrage durchführen	Colab Colab Enterprise GitHub Vertex AI Workbench
Vektorsuche auf der Agent Platform	Agent Platform-Vektorsuchindex erstellen. Erfahren Sie, wie Sie einen Index zu ungefähren nächsten Nachbarn erstellen, Abfragen für Indexe ausführen und die Leistung des Index prüfen. Weitere Informationen zur Vektorsuche auf der Agent Platform Anleitungsschritte ANN-Index und Brute-Force-Index erstellen Indexendpunkt mit VPC-Netzwerk erstellen ANN-Index und Brute-Force-Index bereitstellen Onlineabfrage ausführen Recall berechnen	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Vizier	Mehrere Ziele mit Agent Platform Vizier optimieren. Informationen zum Optimieren einer Studie mit mehreren Zielen mit Agent Platform Vizier. Weitere Informationen zu Agent Platform Vizier Anleitungsschritte	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Vizier	Erste Schritte mit Agent Platform Vizier Agent Platform Vizier für das Training mit der Agent Platform verwenden Weitere Informationen zu Agent Platform Vizier Anleitungsschritte Hyperparameter-Feinabstimmung mit Zufallsalgorithmus durchführen. Hyperparameter-Abstimmung mit dem Vizier-Algorithmus (Bayes) der Agent Platform durchführen. Tests vorschlagen und Ergebnisse für die Agent Platform Vizier-Studie aktualisieren	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Workbench Vertex AI Training	Klassifizierungsmodell mit mehreren Klassen für die Anzeigenausrichtung trainieren. Erfahren Sie, wie Sie Daten aus BigQuery erfassen, vorverarbeiten und ein Klassifizierungsmodell mit mehreren Klassen für ein E-Commerce-Dataset trainieren. Weitere Informationen zu Agent Platform Workbench Erfahren Sie mehr über Vertex AI Training. Anleitungsschritte Rufen Sie die erforderlichen Daten aus BigQuery ab Daten vorverarbeiten Trainieren Sie ein TensorFlow-Klassifizierungsmodell (>=2.4) Bewerten Sie den Verlust des trainierten Modells Automatisieren Sie die Notebook-Ausführung mit dem Executor-Feature Speichern Sie das Modell in einem Cloud Storage-Pfad Bereinigen Sie die erstellten Ressourcen	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Workbench Vertex Explainable AI	Taxipreisvorhersage mit dem Dataset Chicago Taxi Trips. Das Ziel dieses Notebooks ist es, eine Übersicht über Agent Platform-Funktionen wie Vertex Explainable AI und BigQuery in Notebooks zu bieten, indem versucht wird, ein Problem der Taxipreisvorhersage zu lösen. Weitere Informationen zu Agent Platform Workbench Weitere Informationen zu Vertex Explainable AI. Anleitungsschritte Laden Sie ein Dataset mit "BigQuery in Notebooks". Führen Sie eine explorative Datenanalyse für das Dataset aus. Auswahl und Vorverarbeitung von Merkmalen. Erstellen Sie ein lineares Regressionsmodell mit scikitlearn. Konfigurieren Sie das Modell für Vertex Explainable AI. Modell in der Agent Platform bereitstellen. Testen Sie das bereitgestellte Modell. bereinigen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Workbench BigQuery ML	Einzelhandelsnachfrage mit der Agent Platform und BigQuery ML prognostizieren. Erfahren Sie, wie Sie ein ARIMA-Modell (Autoregressive Integrated Moving Average) aus BigQuery ML anhand von Einzelhandelsdaten erstellen. Weitere Informationen zu Agent Platform Workbench Weitere Informationen zu BigQuery ML Anleitungsschritte Daten analysieren Modellieren Sie mit BigQuery und dem ARIMA-Modell Modell bewerten Bewerten Sie die Modellergebnisse mithilfe von BigQuery ML (für Trainingsdaten) Bewerten Sie die Modellergebnisse MAE, MAPE, MSE, RMSE (für Testdaten) Verwenden Sie das Executor-Feature	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Workbench BigQuery ML	Interaktive explorative Analyse von BigQuery-Daten in einem Notebook. Lernen Sie verschiedene Möglichkeiten kennen, um BigQuery-Daten in einer Jupyter-Notebook-Umgebung zu untersuchen und daraus Informationen zu gewinnen. Weitere Informationen zu Agent Platform Workbench Weitere Informationen zu BigQuery ML Anleitungsschritte Verwenden Sie Python und SQL, um öffentliche Daten in BigQuery abzufragen Werten Sie das Dataset mithilfe von BigQuery INFORMATION_SCHEMA aus Erstellen Sie interaktive Elemente, um interessante Teile der Daten besser zu untersuchen Führen Sie einige explorative Korrelationen und Zeitachsenanalysen durch Erstellen Sie statische und interaktive Ausgaben (Datentabellen und -abbildungen) im Notebook Speichern Sie einige Ausgaben in Cloud Storage	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Workbench Benutzerdefiniertes Training	Betrugserkennungsmodell auf der Agent Platform erstellen. In dieser Anleitung wird die Datenanalyse und die Modellerstellung mit einem synthetischen Finanz-Dataset veranschaulicht. Weitere Informationen zu Agent Platform Workbench Weitere Informationen zum benutzerdefinierten Training Anleitungsschritte Installieren Sie erforderliche Bibliotheken Lesen Sie das Dataset aus einem Cloud Storage-Bucket Führen Sie explorative Analysen des Datasets aus Vorverarbeiten Sie das Dataset Trainieren Sie ein Random Forest-Modell mithilfe von scikitlearn Speichern Sie das Modell in einem Cloud Storage-Bucket Agent Platform-Modellressource erstellen und auf einem Endpunkt bereitstellen Führen Sie das What-If-Tool für Testdaten aus Heben Sie die Modellbereitstellung auf und bereinigen Sie die Modellressourcen	Colab GitHub Vertex AI Workbench
Agent Platform Workbench BigQuery ML	Churn-Vorhersage für Spieleentwickler unter Verwendung von Google Analytics 4 und BigQuery ML. Erfahren Sie, wie Sie ein Neigungsmodell in BigQuery ML trainieren und bewerten. Weitere Informationen zu Agent Platform Workbench Weitere Informationen zu BigQuery ML Anleitungsschritte Sehen Sie sich die aus Google Analytics 4 exportierten Daten in BigQuery an. Bereiten Sie die Trainingsdaten mithilfe von demografischen Informationen, Verhaltensdaten und Labels (Abwanderung/Nichtabwanderung) vor. Trainieren Sie mithilfe von BigQuery ML ein XGBoost-Modell. Bewerten Sie das Modell mithilfe von BigQuery ML. Mit BigQuery ML können Sie vorhersagen, welche Nutzer wahrscheinlich abwandern werden.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Workbench Agent Platform-Training	Vorausschauende Instandhaltung mit der Agent Platform. Workflows zum Trainieren automatisieren und ein Modell mit der Executor-Funktion von Agent Platform Workbench bereitstellen. Weitere Informationen zu Agent Platform Workbench Weitere Informationen zum Training auf der Agent Platform Anleitungsschritte Laden Sie das erforderliche Dataset aus einem Cloud Storage-Bucket. Im Dataset vorhandene Felder analysieren. Wählen Sie die erforderlichen Daten für das Modell zur vorausschauenden Instandhaltung aus. Trainieren Sie ein XGBoost-Regressionsmodells zur Vorhersage der verbleibenden nützlichen Lebensdauer. Bewerten Sie das Modell. Leiten Sie eine End-to-End-Ausführung des Notebooks als Trainingsjob mit Executor ein. Modell in der Agent Platform bereitstellen. bereinigen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Workbench BigQuery ML	Analyse der Preisoptimierung für CDM-Preisdaten. Das Ziel dieses Notebooks ist es, mithilfe von BigQuery ML ein Preisoptimierungsmodell zu erstellen. Weitere Informationen zu Agent Platform Workbench Weitere Informationen zu BigQuery ML Anleitungsschritte Laden Sie das erforderliche Dataset aus einem Cloud Storage-Bucket. Analysieren Sie die im Dataset vorhandenen Felder. Verarbeiten Sie die Daten, um ein Modell zu erstellen. Erstellen Sie ein BigQuery ML-Prognosemodell anhand der verarbeiteten Daten. Rufen Sie prognostizierte Werte aus dem BigQuery ML-Modell ab. Interpretieren Sie die Prognosen, um die besten Preise zu ermitteln. bereinigen.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Workbench Dataproc Serverless für Spark	Daten aus BigQuery mit Dataproc auswerten und analysieren. In dieser Notebook-Anleitung wird ein Apache Spark-Job ausgeführt, der Daten aus dem BigQuery-Dataset GitHub-Aktivitätsdaten abruft, die Daten abfragt und die Ergebnisse anschließend wieder in BigQuery schreibt. Weitere Informationen zu Agent Platform Workbench Weitere Informationen zu Dataproc Serverless für Spark. Anleitungsschritte Richten Sie ein Google Cloud-Projekt und einen Dataproc-Cluster ein. Konfigurieren Sie den sparkbigqueryconnector. Nehmen Sie Daten aus BigQuery in einen Spark-DataFrame auf. Vorverarbeiten Sie die aufgenommenen Daten. Fragen Sie die am häufigsten verwendete Programmiersprache in Monoglot-Repositories ab. Fragen Sie die durchschnittliche Größe (MB) von Code in jeder Sprache ab, die in Monolot-Repositories gespeichert ist. Fragen Sie die Sprachendateien ab, die am häufigsten in Polyglot-Repositories zusammen gefunden werden. Schreiben Sie die Abfrageergebnisse wieder in BigQuery. Löschen Sie die Ressourcen, die für diese Notebook-Anleitung erstellt wurden.	Colab Colab Enterprise GitHub Vertex AI Workbench
Agent Platform Workbench Dataproc	SparkML mit Dataproc und BigQuery. In dieser Anleitung wird ein Apache SparkML-Job ausgeführt, der Daten aus dem BigQuery-Dataset abruft, eine explorative Datenanalyse durchführt, die Daten bereinigt, das Feature Engineering ausführt, das Modell trainiert, das Modell bewertet, das Ergebnis ausgibt und das Modell in einem Cloud Storage-Bucket speichert. Weitere Informationen zu Agent Platform Workbench Weitere Informationen zu Dataproc Anleitungsschritte Richten Sie ein Google Cloud-Projekt und einen Dataproc-Cluster ein. Erstellen Sie einen Cloud Storage-Bucket und ein BigQuery-Dataset. Konfigurieren Sie den sparkbigqueryconnector. Nehmen Sie BigQuery-Daten in einen Spark-DataFrame auf. Führen Sie die explorative Datenanalyse (EDA) aus. Visualisieren Sie die Daten mit Beispielen. Bereinigen Sie die Daten. Wählen Sie Features aus. Trainieren Sie das Modell. Geben Sie Ergebnisse aus. Speichern Sie das Modell in einem Cloud Storage-Bucket. Löschen Sie die für die Anleitung erstellten Ressourcen.	Colab Colab Enterprise GitHub Vertex AI Workbench

Vertex ML Metadata-Notebook-Anleitungen Mit Sammlungen den Überblick behalten Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.