Google Cloud Professional Machine Learning Engineer参考書

ビジネス課題に応じた BigQuery ML のモデル選択（線形/二項分類・回帰・時系列・行列分解・ブーストツリー・オートエンコーダ）、BigQuery ML での特徴量エンジニアリングと予測生成、AutoML（データ準備・ラベリング・Tabular Workflows・表形式 AutoML のカスタム/予測モデル・構成/デバッグ。※従来の AutoML テキストは Vertex AI の Gemini ベースモデルへ移行が進み非推奨化（画像/動画/表形式の AutoML は継続））を理解します。

Model Garden の ML API を使ったアプリ構築、業種特化 API（Document AI API・Retail API など）の活用、Vertex AI Agent Builder による検索拡張生成（RAG）アプリの実装を理解します。

組織横断のデータ（Cloud Storage・BigQuery・Spanner・Cloud SQL・Apache Spark・Apache Hadoop）の探索、データ種別（表/テキスト/音声/画像/動画）の整理、Vertex AI でのデータセット管理、前処理（Dataflow・TensorFlow Extended [TFX]・BigQuery）、Vertex AI Feature Store での特徴量の作成/統合、データ利用のプライバシー（PII/PHI）、Vertex AI への推論用データ取り込みを理解します。

Google Cloud の Jupyter バックエンド選択（Vertex AI Workbench・Colab Enterprise・Dataproc 上のノートブック）、Vertex AI Workbench のセキュリティのベストプラクティス、Spark カーネル、コードリポジトリ統合、各種フレームワーク（TensorFlow/PyTorch/sklearn/Spark/JAX）での開発、Model Garden の基盤/オープンソースモデル活用、ML 実験の追跡（Vertex AI Experiments・Kubeflow Pipelines・Vertex AI TensorBoard）、生成 AI ソリューションの評価を理解します。

ML フレームワークとモデルアーキテクチャの選択、解釈可能性要件に応じたモデリング手法、訓練データの整理（表/テキスト/音声/画像/動画）、各種ファイル取り込み（CSV/JSON/画像/Hadoop/DB）、各種 SDK での訓練（Vertex AI カスタム訓練・GKE 上の Kubeflow・AutoML・Tabular Workflows）、信頼性ある分散訓練、ハイパーパラメータ調整、訓練失敗のトラブルシュート、基盤モデルのファインチューニングを理解します。

コンピュートとアクセラレータの選択（CPU・GPU・TPU・エッジデバイス）、TPU と GPU による分散訓練（Vertex AI の Reduction Server・Horovod）を理解します。

バッチ推論とオンライン推論（Vertex AI・Dataflow・BigQuery ML・Dataproc）、各種フレームワーク（PyTorch・XGBoost など）でのサービング、モデルレジストリの整理、モデルバージョンの A/B テストを理解します。

Vertex AI Feature Store、Vertex AI の公開/限定公開エンドポイント、適切なハードウェア（CPU/GPU/TPU/エッジ）の選択、スループットに応じたサービングバックエンドのスケール（Vertex AI Prediction・コンテナ化サービング）、本番での訓練/サービング向けのモデルチューニング（単純化・性能/レイテンシ/メモリ/スループット最適化）を理解します。

データとモデルの検証、訓練とサービングで一貫した前処理、サードパーティパイプライン（MLFlow）のホスティング、コンポーネント/パラメータ/トリガー/コンピュート（Cloud Build・Cloud Run）の特定、オーケストレーションフレームワーク（Kubeflow Pipelines・Vertex AI Pipelines・Cloud Composer）、ハイブリッド/マルチクラウド戦略、TFX コンポーネントや Kubeflow DSL によるシステム設計を理解します。

適切な再訓練ポリシーの決定、CI/CD によるモデルデプロイ（Cloud Build・Jenkins）、モデルの成果物とバージョンの追跡/比較（Vertex AI Experiments・Vertex ML Metadata）、モデル/データセットのバージョニング連携、モデルとデータの系統（リネージ）を理解します。

データ/モデルの意図しない悪用（ハッキング）からの保護による安全な AI システム構築、Google の Responsible AI プラクティス（バイアスの監視）への準拠、AI ソリューションの準備状況（公平性・バイアス）の評価、Vertex AI でのモデル説明可能性（Explainable AI）を理解します。

継続的評価メトリクスの確立（Vertex AI Model Monitoring・Explainable AI）、訓練/サービングスキューの監視、特徴量アトリビューションのドリフト監視、ベースライン/より単純なモデル/時間軸に対するモデル性能の監視、よくある訓練/サービングエラーの監視を理解します。