Passer au contenu principal
Documentation
Domaines technologiques
close
IA et ML
Développement d'applications
Hébergement d'applications
Calcul
Analyses de données et pipelines
Bases de données
Solutions distribuées, hybrides et multicloud
IA générative
Solutions par secteur d'activité
Gestion des réseaux
Observabilité et surveillance
Sécurité
Storage
Outils de produits croisés
close
Gestion des accès et des ressources
Gestion des coûts et de l'utilisation
Google Cloud SDK, langages, frameworks et outils
Infrastructure as Code (IaC)
Migration
Sites connexes
close
Accueil Google Cloud
Essai et niveau gratuits
Architecture Center
Blog
Contacter le service commercial
Centre pour les développeurs Google Cloud
Google Developer Center
Google Cloud Marketplace
Documentation de Google Cloud Marketplace
Google Cloud Skills Boost
Google Cloud Solution Center
Assistance Google Cloud
Chaîne YouTube de l'équipe Google Cloud Tech
/
English
Deutsch
Español
Español – América Latina
Français
Indonesia
Italiano
Português
Português – Brasil
中文 – 简体
中文 – 繁體
日本語
한국어
Console
Connexion
Vertex AI
Guides
Référence
Exemples
Assistance
Ressources
Nous contacter
Commencer l'essai gratuit
Documentation
Guides
Référence
Exemples
Assistance
Ressources
Domaines technologiques
Plus
Outils de produits croisés
Plus
Sites connexes
Plus
Console
Nous contacter
Commencer l'essai gratuit
Découvrir
Vue d'ensemble
Présentation de Vertex AI
MLOps sur Vertex AI
Interfaces pour Vertex AI
Guides du débutant pour Vertex AI
Entraîner un modèle AutoML
Entraîner un modèle personnalisé
Obtenir des prédictions à partir d'un modèle personnalisé
Entraîner un modèle à l'aide de Vertex AI et du SDK Python
Présentation
Conditions préalables
Créer un notebook
Créer un ensemble de données
Créer un script d'entraînement
Entraîner un modèle
Effectuer une prédiction
Frameworks de ML intégrés
PyTorch
TensorFlow
Vertex AI pour les utilisateurs de BigQuery
Glossaire
Premiers pas
Configurer un projet et un environnement de développement
installer le SDK Vertex AI pour Python ;
Choisir une méthode d'entraînement
Suivez un tutoriel
Présentation des tutoriels
Tutoriels AutoML
Données d'images Hello
Vue d'ensemble
Configurer votre projet et votre environnement
Créer un ensemble de données et importer des images
Entraîner un modèle de classification d'images AutoML
Évaluer et analyser les performances du modèle
Déployer un modèle sur un point de terminaison et effectuer une prédiction
Nettoyer votre projet
Données tabulaires Hello
Vue d'ensemble
Configurer votre projet et votre environnement
Créer un ensemble de données et entraîner un modèle de classification AutoML
Déployer un modèle et demander une prédiction
Nettoyer votre projet
Données de texte Hello
Vue d'ensemble
Configurer votre projet et votre environnement
Créer un ensemble de données et importer des documents
Entraîner un modèle de classification de texte AutoML
Déployer un modèle sur un point de terminaison et effectuer une prédiction
Nettoyer votre projet
Données vidéo Hello
Vue d'ensemble
Configurer votre projet et votre environnement
Créer un ensemble de données et importer des vidéos
Entraîner un modèle de classification de vidéos AutoML
Effectuer une prédiction par lot en déployant un modèle
Nettoyer votre projet
Tutoriels sur l'entraînement personnalisé
Entraîner un modèle tabulaire personnalisé
Entraîner un modèle de classification d'images TensorFlow Keras
Vue d'ensemble
Configurer votre projet et votre environnement
Entraîner un modèle de classification d'images personnalisé
Diffuser des prédictions à partir d'un modèle de classification d'images personnalisé
Nettoyer votre projet
Ajuster un modèle de classification d'images avec des données personnalisées
Tutoriels sur les notebooks Jupyter pour l'entraînement personnalisé
Utiliser Terraform pour créer une instance de notebooks gérés par l'utilisateur
Utiliser l'IA générative et les LLM
À propos de l'IA générative
Gemini pour les utilisateurs AutoML Text
Migrer de AutoML Text vers Gemini
Utiliser les outils de développement Vertex AI
Présentation des outils de développement
Utiliser le SDK Vertex AI
Vue d'ensemble
Présentation du SDK Vertex AI pour Python
Classes du SDK Vertex AI pour Python
Présentation des classes du SDK Vertex AI
Classes de données
Classes d'entraînement
Classes de modèles
Classes de prédiction
Classes de suivi
Utiliser Vertex AI dans des notebooks
Choisir une solution de notebook
Colab Enterprise
Premiers pas
Créer un notebook à l'aide de la console
Exécuter le code
Se connecter à un environnement d'exécution
Gérer les environnements d'exécution et les modèles d'environnement d'exécution
Créer un modèle d'environnement d'exécution
Créer un environnement d'exécution
Vertex AI Workbench
Présentation
Tutoriels sur les notebooks Jupyter pour Vertex AI Workbench
Instances
Présentation des instances
Premiers pas
Créer une instance à l'aide de la console
Planifier une exécution de notebook
Configurer une instance
Créer une instance
Créer une version spécifique d'une instance
Ajouter un environnement Conda
Arrêt en cas d'inactivité
Créer une instance à l'aide d'un conteneur personnalisé
Créer une instance exploitant Dataproc
Créer une instance avec des identifiants tiers
Gérer les caractéristiques via les métadonnées
Utiliser les réservations
Associer à des données
Interroger les données dans BigQuery à partir de JupyterLab
Accéder aux fichiers et buckets Cloud Storage dans JupyterLab
Explorer et visualiser des données
Explorer et visualiser les données dans BigQuery
Entretenir
Gérer votre environnement Conda
Enregistrer un notebook sur GitHub
Sauvegarder et restaurer une instance
Arrêter une instance
Mettre à niveau l'environnement d'une instance
Accéder à JupyterLab à l'aide de SSH
Migrer des données vers une nouvelle instance
Modifier le type de machine et configurer les GPU
Contrôler
Surveiller l'état
Contrôler les accès
Contrôle des accès
Gérer l'accès à une instance
Gérer l'accès à l'interface JupyterLab d'une instance
Utiliser les clés de chiffrement gérées par le client
Utiliser une instance dans un périmètre de service
Résoudre les problèmes liés aux instances Vertex AI Workbench
Notes de version de Vertex AI Workbench
Notebooks gérés
Présentation des notebooks gérés
Premiers pas
Créer une instance de notebooks gérés à l'aide de Cloud Console
Planifier l'exécution d'un notebook géré
Configurer une instance de notebooks gérés
Créer une instance de notebook géré
Créer une instance avec un conteneur personnalisé
Exécuter une instance de notebooks gérés sur un cluster Dataproc
Utiliser Dataproc sans serveur Spark avec des notebooks gérés
Arrêt en cas d'inactivité
Versions de notebooks gérés
Associer à des données
Interroger les données dans BigQuery à partir de JupyterLab
Accéder aux fichiers et buckets Cloud Storage dans JupyterLab
Explorer et visualiser des données
Vue d'ensemble
Explorer et visualiser les données dans BigQuery
Développer un modèle
Développement de modèles dans une instance de notebooks gérés
Déployer
Exécuter des fichiers notebook avec l'exécuteur
Exécuter des exécutions de notebook avec des paramètres
Entretenir
Migrer vers une instance Vertex AI Workbench
Enregistrer un notebook sur GitHub
Modifier le type de machine et configurer les GPU d'une instance de notebooks gérés
Mettre à niveau l'environnement d'une instance de notebooks gérés
Migrer des données vers une nouvelle instance de notebooks gérés par l'utilisateur
Contrôler
Journaux d'audit
Contrôler les accès
Contrôle des accès
Gérer l'accès à une instance
Gérer l'accès à l'interface JupyterLab d'une instance
Utiliser les clés de chiffrement gérées par le client
Configurer un réseau
Utiliser une instance de notebook gérée dans un périmètre de service
Résoudre les problèmes liés aux notebooks gérés
Notebooks gérés par l'utilisateur
Présentation des notebooks gérés par l'utilisateur
Premiers pas
Créer une instance de notebooks gérés par l'utilisateur à l'aide de Cloud Console
Configurer une instance de notebooks gérés par l'utilisateur
Créer une instance de notebooks gérés par l'utilisateur
Créer une version spécifique d'une instance
Créer une instance après la date de fin de correctif et de fin de compatibilité
Installer des dépendances
Choisir une image de machine virtuelle
Créer une instance avec un conteneur personnalisé
Explorer les données
Data science avec R sur Google Cloud : tutoriel d'analyse de données exploratoire
Contrôler
Surveiller l'état
Journaux d'audit
Contrôler les accès
Contrôle des accès
Gérer l'accès à une instance
Gérer l'accès à l'interface JupyterLab d'une instance
Clés de chiffrement gérées par le client
Utiliser une instance de notebooks gérés par l'utilisateur dans un périmètre de service
Utiliser une machine virtuelle protégée avec des notebooks gérés par l'utilisateur
Tutoriel : Créer une instance de notebook dans un réseau VPC
Entretenir
Migrer vers une instance Vertex AI Workbench
Enregistrer un notebook sur GitHub
Sauvegarder vos données à l'aide d'un instantané
Arrêter une instance de notebooks gérés par l'utilisateur
Modifier le type de machine et configurer les GPU d'une instance de notebooks gérés par l'utilisateur
Mettre à niveau l'environnement d'une instance de notebooks gérés par l'utilisateur
Migrer des données vers une nouvelle instance de notebooks gérés par l'utilisateur
Enregistrer une ancienne instance avec l'API Notebooks
Accéder à JupyterLab à l'aide de SSH
Résoudre les problèmes liés aux notebooks gérés par l'utilisateur
Compatibilité de Terraform avec Vertex AI
Développer et utiliser des modèles de ML
Vue d'ensemble
Données d'image
Classification
Préparer les données
Créer un ensemble de données
Entraîner le modèle
Évaluer le modèle
Obtenir des prédictions
Interpréter les résultats
Détection d'objets
Préparer les données
Créer un ensemble de données
Entraîner le modèle
Évaluer le modèle
Obtenir des prédictions
Interpréter les résultats
Encoder des données d'image en Base64
Exporter un modèle AutoML Edge
Données tabulaires
Vue d'ensemble
Présentation des données tabulaires
Workflows tabulaires
Vue d'ensemble
Ingénierie des caractéristiques
AutoML de bout en bout
Vue d'ensemble
Entraîner un modèle
Obtenir des prédictions en ligne
Obtenir des prédictions par lot
TabNet
Vue d'ensemble
Entraîner un modèle
Obtenir des prédictions en ligne
Obtenir des prédictions par lot
Wide & Deep
Vue d'ensemble
Entraîner un modèle
Obtenir des prédictions en ligne
Obtenir des prédictions par lot
Prévision
Vue d'ensemble
Entraîner un modèle
Obtenir des prédictions en ligne
Obtenir des prédictions par lot
Tarifs
Service Accounts
Gérer les quotas
Effectuer des classifications et des régressions avec AutoML
Vue d'ensemble
Guide de démarrage rapide : Classification AutoML (console Cloud)
Préparer les données d'entraînement
Créer un ensemble de données
Entraîner un modèle
Évaluer le modèle
Afficher l'architecture du modèle
Obtenir des prédictions en ligne
Obtenir des prédictions par lot
Exporter le modèle
Effectuer des prévisions avec AutoML
Vue d'ensemble
Préparer les données d'entraînement
Créer un ensemble de données
Entraîner un modèle
Évaluer le modèle
Obtenir des prédictions
Prévisions hiérarchiques
Effectuer des prévisions avec ARIMA+
Effectuer des prévisions avec Prophet
Effectuer un rapprochement d'entités
Attributions de caractéristiques pour la classification et la régression
Attributions de caractéristiques pour la prévision
Types de données et transformations pour les données tabulaires AutoML
Paramètres d'entraînement pour les prévisions
Fractionnement des données pour les données tabulaires
Bonnes pratiques pour la création de données tabulaires d'entraînement
Effectuer des prévisions avec Timeseries Insights
Données textuelles
Classification
Préparer les données
Créer un ensemble de données
Entraîner le modèle
Évaluer le modèle
Obtenir des prédictions
Interpréter les résultats
Extraction d'entités
Préparer les données
Créer un ensemble de données
Entraîner le modèle
Évaluer le modèle
Obtenir des prédictions
Interpréter les résultats
Analyse des sentiments
Préparer les données
Créer un ensemble de données
Entraîner le modèle
Évaluer le modèle
Obtenir des prédictions
Interpréter les résultats
Données vidéo
Reconnaissance des actions
Préparer les données
Créer un ensemble de données
Entraîner le modèle
Évaluer le modèle
Obtenir des prédictions
Interpréter les résultats
Classification
Préparer les données
Créer un ensemble de données
Entraîner le modèle
Évaluer le modèle
Obtenir des prédictions
Interpréter les résultats
Suivi des objets
Préparer les données
Créer un ensemble de données
Entraîner le modèle
Évaluer le modèle
Obtenir des prédictions
Interpréter les résultats
Entraîner un modèle AutoML Edge
Utiliser la console
Utiliser l'API
Entraînement personnalisé
Présentation de l'entraînement personnalisé
Charger et préparer des données
Utiliser Cloud Storage comme système de fichiers installé
Installer un partage NFS pour l'entraînement personnalisé
Utiliser des ensembles de données gérés
Préparer l'application d'entraînement
Comprendre le service d'entraînement personnalisé
Préparer le code d'entraînement
Utiliser des conteneurs prédéfinis
Créer une application d'entraînement Python pour un conteneur prédéfini
Conteneurs préconfigurés pour l'entraînement personnalisé
Utiliser des conteneurs personnalisés
Conteneurs personnalisés pour l'entraînement
Créer un conteneur personnalisé
Conteneuriser et exécuter du code d'entraînement en local
Utiliser des images et conteneurs Deep Learning VM
Définir un entraînement sur une ressource persistante
Aperçu
Créer une ressource persistante
Exécuter des jobs d'entraînement sur une ressource persistante
Obtenir des informations sur des ressources persistantes
Redémarrer une ressource persistante
Supprimer une ressource persistante
Configurer le job d'entraînement
Choisir une méthode d'entraînement personnalisé
Configurer les paramètres du conteneur pour l'entraînement
Configurer des ressources de calcul pour l'entraînement
Utiliser des réservations avec l'entraînement
Utiliser des VM Spot pour l'entraînement
Envoyer une tâche d'entraînement
Créer des tâches personnalisées
Réglages d'hyperparamètres
Présentation des réglages d'hyperparamètres
Utiliser les réglages d'hyperparamètres
Créer des pipelines d'entraînement
Planifier des jobs en fonction de la disponibilité des ressources
Utiliser l'entraînement distribué
Entraîner avec des VM Cloud TPU
Utiliser une adresse IP privée pour l'entraînement personnalisé
Lancer une recherche Neural Architecture Search
Vue d'ensemble
Configurer l'environnement
Tutoriels de niveau débutant
Bonnes pratiques et workflow
Conception des tâches de proxy
Optimiser la vitesse d'entraînement pour PyTorch
Utiliser des conteneurs d'entraînement et des espaces de recherche prédéfinis
Surveiller et déboguer