Predicción de Tarifas con Jupyter Notebooks en Google Cloud

Contenido del curso

Compute on Google Cloud Platform

Continuous Integration, Continuous Delivery

Google Kubernetes Engine

Streaming Data Analytics

Machine Learning

Sesiones en vivo

48
Mentoría en Google Cloud con Pablo Pérez Villanueva
51:16 min

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:007:33

Predicción de Tarifas con Jupyter Notebooks en Google Cloud

Entrenamiento de Google Cloud Platform

Clase 45 de 48

Clase 45 / 48

Recursos

¿Qué son las iNotebooks en Google Cloud?

Las iNotebooks en Google Cloud son una herramienta interactiva y basada en la web, similar a los Jupyter Notebooks, pero con la potencia y escalabilidad de la infraestructura de Google. Estos notebooks permiten crear documentos que combinan código, texto y visualizaciones, facilitando el proceso de desarrollo y análisis de datos de manera dinámica y en tiempo real.

¿Cómo se utilizan las iNotebooks?

Interacción en tiempo real: Al igual que con los Jupyter Notebooks, puedes ejecutar fragmentos de código y ver los resultados inmediatos, permitiéndote ajustar y depurar tu código sin complicaciones.
Colaboración: Las iNotebooks facilitan la colaboración entre equipos, ya que permiten conexiones directas a repositorios como GitHub, lo que elimina la necesidad de manejar múltiples versiones del código en diferentes máquinas.
Uso de librerías pre-instaladas: Google Cloud ya incluye librerías esenciales para el análisis de datos y desarrollo de machine learning, como Pandas, NumPy, TensorFlow y Keras, entre otras.

¿Cuáles son las ventajas de usar iNotebooks en Google Cloud?

Facilidad de instalación: A diferencia de una instalación manual donde debes configurar tu ambiente y librerías, con Google Cloud las iNotebooks vienen con un entorno de desarrollo pre-configurado.
Escalabilidad: Al estar integradas en Google Cloud, es fácil escalar el entorno de trabajo utilizando potentes GPUs o TPUs disponibles para entrenar modelos de manera rápida y eficiente.
Integración con servicios de Google Cloud: Las iNotebooks se integran con otros servicios de big data y machine learning de Google Cloud, permitiéndote trabajar con grandes cantidades de datos almacenadas en BigQuery o en otros repositorios de Google Cloud.

¿Cómo se configuran las iNotebooks en Google Cloud?

Configurar las iNotebooks en Google Cloud es sencillo. Se ejecutan dentro de instancias en Compute Engine, donde se configuran para utilizar los recursos necesarios para tus proyectos de machine learning. Aquí tienes algunos pasos básicos para ponerte en marcha:

Crear una instancia en Compute Engine: Ingresa a la consola de Google Cloud, y genera una instancia que se configure con las necesidades de tu proyecto, como CPUs o recursos gráficos (GPUs/TPUs).
Conectarse a repositorios de código: Realiza pulls o pushes de código entre las librerías y los cloud repositorios de Google Cloud.
Trabajar con datos: Interactúa con diferentes fuentes de datos mediante BigQuery y otras herramientas de Google Cloud.

Ejemplo práctico: Predicción de tarifas con iNotebooks

En un entorno práctico, puedes utilizar iNotebooks para implementar modelos de predicción de tarifas. Utilizando BigQuery, puedes extraer datos relevantes y manejarlos con librerías como Pandas y NumPy. A partir de ahí, puedes desarrollar modelos de regresión o clasificación directamente en las iNotebooks, entrenarlos y modificarlos, todo dentro del mismo ambiente web.

Con las AI Notebooks de Google Cloud, los desarrolladores tienen la capacidad de realizar tareas complejas de machine learning y big data de manera más eficiente y colaborativa. Continúa explorando el mundo de Google Cloud y descubre cómo estas herramientas pueden transformar la gestión y análisis de datos en tus proyectos.

Resumen

¿Qué son las iNotebooks en Google Cloud?

¿Cómo se utilizan las iNotebooks?

Interacción en tiempo real: Al igual que con los Jupyter Notebooks, puedes ejecutar fragmentos de código y ver los resultados inmediatos, permitiéndote ajustar y depurar tu código sin complicaciones.
Colaboración: Las iNotebooks facilitan la colaboración entre equipos, ya que permiten conexiones directas a repositorios como GitHub, lo que elimina la necesidad de manejar múltiples versiones del código en diferentes máquinas.
Uso de librerías pre-instaladas: Google Cloud ya incluye librerías esenciales para el análisis de datos y desarrollo de machine learning, como Pandas, NumPy, TensorFlow y Keras, entre otras.

¿Cuáles son las ventajas de usar iNotebooks en Google Cloud?

Facilidad de instalación: A diferencia de una instalación manual donde debes configurar tu ambiente y librerías, con Google Cloud las iNotebooks vienen con un entorno de desarrollo pre-configurado.
Escalabilidad: Al estar integradas en Google Cloud, es fácil escalar el entorno de trabajo utilizando potentes GPUs o TPUs disponibles para entrenar modelos de manera rápida y eficiente.
Integración con servicios de Google Cloud: Las iNotebooks se integran con otros servicios de big data y machine learning de Google Cloud, permitiéndote trabajar con grandes cantidades de datos almacenadas en BigQuery o en otros repositorios de Google Cloud.

¿Cómo se configuran las iNotebooks en Google Cloud?

Crear una instancia en Compute Engine: Ingresa a la consola de Google Cloud, y genera una instancia que se configure con las necesidades de tu proyecto, como CPUs o recursos gráficos (GPUs/TPUs).
Conectarse a repositorios de código: Realiza pulls o pushes de código entre las librerías y los cloud repositorios de Google Cloud.
Trabajar con datos: Interactúa con diferentes fuentes de datos mediante BigQuery y otras herramientas de Google Cloud.

Ejemplo práctico: Predicción de tarifas con iNotebooks

Alfredo Olmedo

Hace 2 años

Jupyter Notebook y Google Colab son dos herramientas populares para trabajar con notebooks en Python, pero tienen algunas diferencias clave. Permíteme compararlas brevemente:

Jupyter Notebook:
- Características:
  - Es una aplicación de código abierto que permite crear y compartir documentos interactivos que contienen código, visualizaciones y texto.
  - Puede ejecutarse localmente en tu máquina o en un servidor remoto.
  - Admite varios lenguajes de programación, no solo Python.
  - Tiene una amplia comunidad y una gran cantidad de extensiones y complementos disponibles.
- Ventajas:
  - Mayor flexibilidad en términos de entorno y configuración.
  - Ideal para proyectos locales o en servidores privados.
  - Personalizable y extensible.
- Desventajas:
  - Configuración inicial puede ser más compleja.
  - No siempre es fácil compartir notebooks con otros.
  - Requiere administración de recursos (por ejemplo, memoria y CPU) si se ejecuta localmente.
Google Colab:
- Características:
  - Es una plataforma basada en la nube desarrollada por Google.
  - Proporciona acceso gratuito a GPUs y TPUs para acelerar el procesamiento.
  - Permite colaborar en tiempo real con otros usuarios.
  - Integra con Google Drive para almacenar y compartir notebooks.
- Ventajas:
  - Fácil de usar y configurar: no necesitas instalar nada en tu máquina local.
  - Acceso a recursos de hardware potentes sin costo adicional.
  - Compartir notebooks es sencillo.
- Desventajas:
  - Depende de la conexión a Internet.
  - Algunas restricciones en cuanto a tiempo de ejecución y almacenamiento.
  - Menos personalización en comparación con Jupyter Notebook.

En resumen, si prefieres un entorno local altamente personalizable, Jupyter Notebook es una excelente opción. Por otro lado, si buscas una solución rápida y colaborativa en la nube, Google Colab podría ser más adecuado para t

Compute on Google Cloud Platform

Guía de Instalación de Google Cloud para Desarrolladores

Crear Cuentas en Google Cloud y Qwiklabs paso a paso

Uso de Quick Labs para Entrenamiento en Google Cloud

Google Cloud: Beneficios y Seguridad en la Nube Pública

Opciones de Cómputo en la Nube con Google Cloud

Máquinas Virtuales en Google Cloud: Uso, Optimización y Descuentos

Instalación de Qwiklabs paso a paso

Creación y Gestión de Máquinas Virtuales en Google Cloud

App Engine: Despliegue de Aplicaciones sin Infraestructura

Despliegue de Aplicaciones en App Engine con Java 11 y SpringBoot

Introducción a Docker y Contenerización de Aplicaciones

App Engine Estándar vs Flexible: Ventajas y Usos Prácticos

Implementación de Cloud Run: Serverless y Contenedores en Google Cloud

Cloud Functions: Creación y Conexión de Servicios Serverless

Continuous Integration, Continuous Delivery

Continuous Integration y Delivery en Google Cloud Platform

Estrategias de Despliegue de Aplicaciones en Producción

Repositorios en Google Cloud: Cloud Source y Container Registry

Construcción y Despliegue en Google Cloud Platform

Infraestructura como Código: Conceptos y Herramientas Clave

Despliegue de Aplicaciones Serverless en Google Cloud Platform

Google Kubernetes Engine

Fundamentos de Kubernetes y Google Kubernetes Engine

Creación y Despliegue de Clúster Kubernetes en Google Cloud

Planificación de Ambientes de Despliegue en Kubernetes

Implementación y Gestión de Anthos para Aplicaciones en la Nube

Cloud Run: Despliegue de Contenedores Serverless en Google Cloud

Despliegue de Servicios en Cloud Run con GKE

Anthos Service Mesh: Observabilidad y Seguridad en Kubernetes

Tour Completo de Anthos: Despliegue y Gestión en Google Cloud

Streaming Data Analytics

Integración de Datos en Tiempo Real con Google Cloud Data Fusion

Construcción de Flujos de Datos con Google Cloud Data Fusion

Ingesta de Datos Confiable en Google Cloud Platform

Ingesta de Eventos en Google Cloud con Apache Kafka y Dataflow

Configuración de Apache Kafka y Debezium en Linux para SQL Server y PubSub

Visualización de Mensajes en Google Cloud con Dataflow y BigQuery

Construcción de un Data Lakehouse con Google BigQuery

Ventajas de BigQuery como Data Lakehouse

Opciones de Almacenamiento en Google Cloud Platform

Gestión de Datos en Google Cloud: Portafolio y Migración

Gobierno de Datos en Google Cloud: Mejores Prácticas y Herramientas

Calidad y Monitoreo de Datos en Google Cloud

Machine Learning

Conceptos Básicos de Inteligencia Artificial y Aprendizaje Automático

Soluciones de IA y Machine Learning en Google Cloud para Desarrolladores

AutoML Tables: Modelado Predictivo con Datos Estructurados

Uso de AutoML Tables en Google Cloud para Modelos de Clasificación

Predicción de Tarifas con Jupyter Notebooks en Google Cloud

Análisis de Datos de Taxis en iNotebook con Google Cloud y BigQuery

Implementación de Pipelines con TensorFlow Extended

Sesiones en vivo

Mentoría en Google Cloud con Pablo Pérez Villanueva

Predicción de Tarifas con Jupyter Notebooks en Google Cloud