Retail Store en Google Cloud Platform

1

Lo que aprender谩s sobre GCP para ecommerce

2

Etapas clave y MLOps

3

Arquitectura de alto nivel

4

Tour de la aplicaci贸n de retail

5

Backend as a Service y modelo de seguridad

6

Introducci贸n al proyecto

7

Medici贸n de interacciones

8

Setup de Google Tag Manager

9

Etiquetando con Google Tag Manager

10

Etiquetas relevantes para CLV

11

Integraci贸n con servicios

Exposici贸n de servicios con Apigee

12

Servicios expuestos con APIs

13

驴Qu茅 son las APIs?

14

Apigee

15

Creaci贸n de tu primer API Proxy en Apigee

16

Administraci贸n de APIs con Apigee

17

Creando un portal de desarrolladores

18

Interactuando con el portal de desarrolladores

19

Insights to Actions

Generaci贸n de modelos AI/ML

20

Machine Learning con datos estructurados

21

BigQuery para modelos de Forecasting y LTV

22

Bigquery ML - Manos a la Obra

23

Auto ML vs. Bigquery ML

24

Consideraciones para entrenar un modelo en BigQueryML

25

Entrenamiento del modelo en BigQuery ML

26

C贸mo exportar modelos hechos en BQML

27

Exportando un modelo hecho con BQML

Consumo de servicios de AI/ML

28

C贸mputo Serverless y Contenedores

29

驴Qu茅 es Kubernetes?

30

Consumo de modelos ML mediante BigQuery API

31

Almacenamiento de predicciones

32

Ejecuci贸n de predicciones y persistencia

33

Despliegue continuo con Cloud Run

34

Ejecuci贸n de despliegue con Cloud Run

35

Escalamiento de servicios en Cloud Run

36

AuthN y AuthZ con Cloud Run

Google Marketing Platform

37

An谩lisis de las predicciones

38

Segmentamos nuestras Predicciones

39

Caso pr谩ctico para definir tu estrategia de activaci贸n

40

Generemos nuestros modelos en la plataforma

41

Segmentamos nuestras audiencias en BigQuery

42

Carga tus audiencias y conecta tu medio de activaci贸n

Etapas clave y MLOps

2/42
Recursos

Aportes 20

Preguntas 0

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad?

o inicia sesi贸n.

Esta clase me dej贸 as铆 (Soy frontend, es mi primera experiencia con AI/ML)

馃挌

Dia Dos de las etapas

interesante etapas

Este curso se ve muy prometedor. Actualmente trabajo en una empresa retail como Cient铆fico de datos y este contenido me servir谩 mucho para tener una visi贸n del panorama global y complejo que hay detr谩s de muchos de los procesos involucrados en ML y DS.

Casos de uso comunes para AI/ML en Retail

estoy impresionado del nivel el cual va llevar a otro nivel cualquier tienda en linea.

Alguien m谩s est谩 sorprendido del poder que tiene esto? 馃槷

Podr铆amos hacer de manera puntual que alguien tome ciertas decisiones seg煤n la interacci贸n que tenga, solo abr铆a que orient谩ndolo de manera deliberada. Si lo tomamos en el caso de compra-venta es de risa comparado con el manejo de ideas en por ejemplo elecciones.
Haciendo de manera inteligente las segmentaciones necesarias podr铆amos llegar a personas espec铆ficas y de manera aparentemente natural orillar a tener ciertos pensamientos.
Cosa que no me parece descabellado en un mundo d贸nde, pienso, la mayor铆a de personas consumimos contenido sin detenernos un segundo a reflexionar en todo lo que lo rodea, por no mencionar que casi ser谩 pr谩cticamente imposible ya que la cantidad de contenido al que nos exponemos es inmenso.

馃樀鈥嶐煉

Pues hoy recien leo sobre MLOps, no lo hab铆a escuchando antes o.o

El aprendizaje es continuo porque sino nos quedamos atras.

impresionante si estalla el cerebro llegar a implementar todo esto y que funcione perfecto, pero se puede y para eso estoy aqu铆 aprendiendo.

Modelo Operacional

Dia Cero de la etapas

Dia Uno de las etapas

Los pilares de MLOps

Etapas clave de una iniciativa

La integraci贸n es el reto m谩s grande

Iniciativa de ciencia de datos