実践的なトレーニングで、クラウドのエキスパートになりましょう。

Serverless Firebase Development

Firebase はモバイルアプリケーションとウェブアプリケーションを作成するための Backend as a Service（BaaS）プラットフォームです。このクエストでは、サーバーレスウェブアプリケーションの構築、サーバーレスデータベースへのデータのインポート、Firebase および Firebase と Google Cloud との統合機能を使用した Google アシスタントアプリケーションの構築について学習します。このクエストを最後のチャレンジラボまで含めて修了すると、Google Cloud の限定デジタルバッジを取得できます。チャレンジラボに詳細な手順の説明はありません。最小限のガイダンスに基づいてソリューションを構築することが求められ、Google Cloud テクノロジーのスキルが試されます。

Insights from Data with BigQuery

データベースハードウェアの管理の必要なく、データ分析の取り組みを拡大したいですか？このインタラクティブな BigQuery の一連のラボを通して、データウェアハウスからクエリを実行し、インサイトを得るためのベストプラクティスを学習できます。 BigQuery は Google のフルマネージドで、NoOps、低コストの分析データベースです。BigQuery を使用することにより、インフラストラクチャの管理およびデータベース管理者を必要することなく、何テラバイトものデータをクエリできます。 BigQuery は SQL を使用し、従量制課金モデルを活用できます。BigQuery の使用により、データ分析に集中して、有意義なインサイトを見つけることができます。このクエストおよびクエストの最後にあるチャレンジラボを完了すると、Google Cloud 限定デジタルバッジを獲得できます。

Build and Secure Networks in Google Cloud

ネットワーキングは、クラウドコンピューティングの基礎となるテーマです。ネットワーキングは Google Cloud の基盤となる構造であり、それによってすべてのリソースとサービスが相互に接続されます。この基礎レベルのクエストでは、Google Cloud の重要なネットワーキングサービスについて学習します。また、効果的なネットワークを作成するための専用ツールで実践演習を行うことができます。VPC についての詳細な学習から、エンタープライズクラスのロードバランサの作成まで、Google Cloud のネットワーキングでは、堅牢なネットワークを今すぐ構築するために必要な実践的な経験を積むことができます。このクエストおよびクエストの最後にあるチャレンジラボを完了すると、Google Cloud 限定デジタルバッジを獲得できます。チャレンジラボは規範的な手順を提供しておらず、最小限のガイダンスでソリューションを構築する必要があり、あなたの Google Cloud テクノロジーのスキルがテストされます！

Serverless Cloud Run Development

Lily さんは 12 年前に獣医クリニックチェーンの「Pet Theory」を創業しました。以来クリニックは急速な拡大を遂げてきましたが、それに伴い課題も明らかになっています。予約システムが負荷の増大に対応できなくなっているほか、飼い主に検査結果のメールやテキストメッセージを確実に届けることができていません。また、獣医は保険会社への対応に時間をとられ、診療に十分な時間を割くことができない状態です。 Lily さんは、これまで使用してきたソリューションよりも柔軟にスケーリングでき、継続的なメンテナンスの負担が小さいクラウドベースのシステムを構築したいと考えています。そこで、サーバーレステクノロジーを採用することにしました。Google Cloud Run サーバーレスクエストの各ラボでは、架空のビジネスシナリオに沿って Lily さんたちのサーバーレスソリューションの実装をサポートします。このクエストを最後のチャレンジラボまで含めて修了すると、Google Cloud の限定デジタルバッジを取得できます。チャレンジラボに詳細な手順の説明はありません。最小限のガイダンスに基づいてソリューションを構築することが求められ、Google Cloud テクノロジーのスキルが試されます。

Perform Foundational Data, ML, and AI Tasks in Google Cloud

ビッグデータ、機械学習、AI はコンピュータ業界ではホットな話題です。しかし、これらの分野は専門的で、入門レベルでも難しいことがあります。Google Cloud は使いやすく、Qwiklabs のクエストでは入門レベルをカバーしているため、ビッグクエリ、Cloud Speech API、AI Platform などの最初のステップを開始することができます。このクエストおよびクエストの最後にあるチャレンジラボを完了すると、Google Cloud 限定デジタルバッジを獲得できます。主なコンセプトは 1 分間のビデオで説明されています。

Perform Foundational Infrastructure Tasks in Google Cloud

Getting Started - Create and Manage Cloud Resources よりレベルの高いハンズオンラボでの実践を求めている初心者のクラウドデベロッパーであるなら、このクエストをおすすめします。 Cloud Storage や、Stackdriver および Cloud Functions などの主要なアプリケーションサービスに関連するラボを通して、実践的な経験を積むことが可能です。このクエストでは、すべての Google Cloud イニシアチブに応用できる有益なスキルを身に付けられます。このクエストおよびクエストの最後にあるチャレンジラボを完了すると、Google Cloud 限定デジタルバッジを獲得できます。主なコンセプトは 1 分間のビデオで説明されています。

注目の投稿

Qwiklabs と Google Cloud の概要

初回のこのハンズオンラボでは、Qwiklabs と Google Cloud Platform Console にアクセスし、GCP の基本機能（プロジェクト、リソース、IAM ユーザー、ロール、権限、API、Cloud Shell）を使用します。

仮想マシンの作成

このハンズオンラボでは、Google Compute Engine の仮想マシンを作成する方法を学習し、ゾーン、リージョン、マシンタイプについて理解します。内容を紹介した短いプレビュー動画 Create a Virtual Machine, GCP Essentials もご覧ください。

AI Platform: Qwik Start

このラボでは、TensorFlow のモデルをトレーニングして、AI Platform にデプロイしてデータを予測する方法を学びます。Harness the Power of Machine Learning with AI Platform と AI Platform: Qwik Start - Qwiklabs Preview の短い動画をご覧ください。

Getting Started with Cloud Shell and gcloud

このハンズオンラボでは、Google Cloud Platform でホストされているコンピューティングリソースにウェブ経由で接続する方法と、Cloud Shell と Cloud SDK の gcloud コマンドの使い方について学習します。内容を紹介した短いプレビュー動画 Get Started with Cloud Shell, GCP Essentials をご覧ください。

注目

Managing Terraform State

In this hands-on lab you will import existing infrastructure, write Terraform configuration that matches that infrastructure, and manipulate state storage with Terraform.

注目

Preparing and Aggregating Data for Visualizations Using Dataprep

Dataprep by Trifacta is Google's self-service data preparation tool built in collaboration with Trifacta. In this lab you will learn some more advanced techniques with Dataprep.

注目

Creating Models with Amazon SageMaker

Losing customers is costly for any business. Identifying unhappy customers early on gives you a chance to offer them incentives to stay. This notebook describes using machine learning (ML) for the automated identification of unhappy customers, also known as customer churn prediction. ML models rarely give perfect predictions though, so this notebook is also about how to incorporate the relative costs of prediction mistakes when determining the financial outcome of using ML. We use an example of churn that is familiar to all of us–leaving a mobile phone operator. Seems like I can always find fault with my provider du jour! And if my provider knows that I’m thinking of leaving, it can offer timely incentives–I can always use a phone upgrade or perhaps have a new feature activated–and I might just stick around. Incentives are often much more cost effective than losing and reacquiring a customer.

高評価

画像認識モデルで What-If ツールを使用する

このラボでは、画像認識モデルでの What-If Tool（WIT）の使用について説明します。

高評価

モノリシックウェブサイトを Google Kubernetes Engine のマイクロサービスに移行する

このラボでは、モノリシックアプリケーションを Google Kubernetes Engine クラスタにデプロイし、それをマイクロサービスに分割します。

高評価