Building Machine Learning and Deep Learning Models on Google Cloud Platform

Manual integral que cubre todo el ciclo de diseño, entrenamiento y puesta en producción de modelos de aprendizaje automático y deep learning utilizando la infraestructura de Google Cloud Platform (GCP). Publicado a finales de 2019, aborda la transición a TensorFlow 2.0 y Keras junto con el ecosistema moderno de ciencia de datos en Python y las herramientas en la nube de Google. Está pensado para ingenieros de software, analistas de datos y arquitectos de soluciones de nivel intermedio que dominan la programación pero buscan una ruta exhaustiva para trasladar sus experimentos locales a flujos escalables de grado productivo (MLOps).

La obra se organiza en ocho partes estructuradas que cubren desde los fundamentos de la computación en la nube hasta arquitecturas avanzadas. Enseña a utilizar la biblioteca de Python para ciencia de datos (NumPy, Pandas, Matplotlib, Seaborn) y modelos supervisados y no supervisados con Scikit-learn (regresiones, SVM, ensambles como Random Forest, clustering y PCA). En deep learning explica redes densas, convolucionales (CNN), recurrentes (RNN) y autoencoders con TensorFlow 2.0. En el ecosistema de Google Cloud, enseña a operar el SDK de gcloud, Google Cloud Storage, Google Compute Engine, BigQuery y BigQuery ML para entrenar modelos con SQL, Cloud AutoML para modelado automático, AI Platform (anteriormente Cloud ML Engine) para entrenamiento distribuido con GPUs y despliegue de APIs REST, y Kubeflow Pipelines sobre Kubernetes.

El aprendizaje se asienta en la ejecución práctica de cuadernos en Google Colaboratory y JupyterLab en GCP, culminando en la construcción de canalizaciones completas que ingieren datos, entrenan modelos y los sirven para predicción en tiempo real. Su valor sobresaliente radica en su escala enciclopédica de más de 700 páginas, enlazando la matemática de los algoritmos con los servicios de nube de forma gradual. Conviene tener presente que Google Cloud ha renombrado e integrado varias de estas herramientas dentro de la suite unificada Vertex AI, pero la lógica de BigQuery ML, el diseño de canalizaciones en Kubeflow y el código de TensorFlow 2.0 siguen siendo de inmediata aplicación.