Google Cloud Certified Professional

Machine Learning Engineer Study

Guide 1st Edition Mona
Visit to download the full and correct content document:
https://textbookfull.com/product/google-cloud-certified-professional-machine-learning-
engineer-study-guide-1st-edition-mona/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Official Google Cloud Certified Professional Cloud

Architect Study Guide Dan Sullivan

https://textbookfull.com/product/official-google-cloud-certified-
professional-cloud-architect-study-guide-dan-sullivan/

Google Cloud Certified Professional Cloud Architect

All-in-One Exam Guide 1st Edition Iman Ghanizada

https://textbookfull.com/product/google-cloud-certified-
professional-cloud-architect-all-in-one-exam-guide-1st-edition-
iman-ghanizada/

CCSP ISC 2 Certified Cloud Security Professional

Official Study Guide 1st Edition O’Hara

https://textbookfull.com/product/ccsp-isc-2-certified-cloud-
security-professional-official-study-guide-1st-edition-ohara/

CCSP Certified Cloud Security Professional Official

Study Guide 2 nd Edition Ben Malisow

https://textbookfull.com/product/ccsp-certified-cloud-security-
professional-official-study-guide-2-nd-edition-ben-malisow/
CWSP Certified Wireless Security Professional Official
Study Guide Coll.

https://textbookfull.com/product/cwsp-certified-wireless-
security-professional-official-study-guide-coll/

Ccsp Certified Cloud Security Professional All-In-One

Exam Guide Daniel Carter

https://textbookfull.com/product/ccsp-certified-cloud-security-
professional-all-in-one-exam-guide-daniel-carter/

Aws Certified Cloud Practitioner Study Guide Clf C01

Exam Ben Piper

https://textbookfull.com/product/aws-certified-cloud-
practitioner-study-guide-clf-c01-exam-ben-piper/

Pivotal Certified Professional Spring Developer Exam: A

Study Guide 1st Edition Iuliana Cosmina

https://textbookfull.com/product/pivotal-certified-professional-
spring-developer-exam-a-study-guide-1st-edition-iuliana-cosmina/

(ISC)² CISSP certified information systems security

professional: official study guide Eighth Edition
Chapple

https://textbookfull.com/product/isc%c2%b2-cissp-certified-
information-systems-security-professional-official-study-guide-
eighth-edition-chapple/
Official Google Cloud Certified
Professional Machine Learning
Engineer
Study Guide

Mona Mona
Pratap Ramamurthy
Copyright © 2024 by John Wiley & Sons, Inc. All rights reserved.
Published by John Wiley & Sons, Inc., Hoboken, New Jersey.
Published simultaneously in Canada and the United Kingdom.
ISBNs: 9781119944461 (paperback), 9781119981848 (ePDF), 9781119981565 (ePub)
No part of this publication may be reproduced, stored in a retrieval system, or transmitted in any form or by
any means, electronic, mechanical, photocopying, recording, scanning, or otherwise, except as permitted under
Section 107 or 108 of the 1976 United States Copyright Act, without either the prior written permission of the
Publisher, or authorization through payment of the appropriate per-­copy fee to the Copyright Clearance Center, Inc.,
222 Rosewood Drive, Danvers, MA 01923, (978) 750-­8400, fax (978) 750-­4470, or on the web at www
.copyright.com. Requests to the Publisher for permission should be addressed to the Permissions Department,
John Wiley & Sons, Inc., 111 River Street, Hoboken, NJ 07030, (201) 748-­6011, fax (201) 748-­6008, or online at
www.wiley.com/go/permission.
Trademarks: WILEY and the Wiley logo are trademarks or registered trademarks of John Wiley & Sons, Inc. and/
or its affiliates, in the United States and other countries, and may not be used without written permission. Google
Cloud is a trademark of Google, Inc. All other trademarks are the property of their respective owners. John Wiley &
Sons, Inc. is not associated with any product or vendor mentioned in this book.
Limit of Liability/Disclaimer of Warranty: While the publisher and authors have used their best efforts in preparing
this book, they make no representations or warranties with respect to the accuracy or completeness of the contents
of this book and specifically disclaim any implied warranties of merchantability or fitness for a particular purpose.
No warranty may be created or extended by sales representatives or written sales materials. The advice and
strategies contained herein may not be suitable for your situation. You should consult with a professional where
appropriate. Further, readers should be aware that websites listed in this work may have changed or disappeared
between when this work was written and when it is read. Neither the publisher nor authors shall be liable for any
loss of profit or any other commercial damages, including but not limited to special, incidental, consequential, or
other damages.
For general information on our other products and services or for technical support, please contact our Customer
Care Department within the United States at (800) 762-­2974, outside the United States at (317) 572-­3993 or fax
(317) 572-­4002.
Wiley also publishes its books in a variety of electronic formats. Some content that appears in print may not be
available in electronic formats. For more information about Wiley products, visit our website at www.wiley.com.
Library of Congress Control Number: 2023931675
Cover image: © Getty Images Inc./Jeremy Woodhouse
Cover design: Wiley
To my late father, grandparents, mom, and husband (Pratyush Ranjan), mentor
(Mark Smith), and friends. Also to anyone trying to study for this exam. Hope
this book helps you pass the exam with flying colors!
—­Mona Mona

To my parents, wonderful wife (Swetha), and two fantastic children: Rishab

and Riya.
—­Pratap Ramamurthy
Acknowledgments
Although this book bears my name as author, many other people contributed to its creation.
Without their help, this book wouldn’t exist, or at best would exist in a lesser form. Pratap
Ramamurthy as my co-­author has helped contribute a third of the content of this book. Kim
Wimpsett, the development editor, Christine O’Connor, the managing editor, and Saravanan
Dakshinamurthy, the production specialist, oversaw the book as it progressed through all its
stages. Arielle Guy was the book’s proofreader and Judy Flynn was the copyeditor. Last but
not the least, thanks to Hitesh Hinduja for being an amazing reviewer throughout the book
writing process.
I’d also like to thank Jim Minatel and Melissa Burlock at Wiley, and Dan Sullivan, who
helped connect me with Wiley to write this book.
—­Mona Mona

This book is the product of hard work by many people, and it was wonderful to see
everyone come together as a team, starting with Jim Minatel and Melissa Burlock from
Wiley and including Kim Wimpsett, Christine O’ Connor, Saravanan Dakshinamurthy, Judy
Flynn, Arielle Guy, and the reviewers.
Most importantly, I would like to thank Mona for spearheading this huge effort. Her
knowledge from her previous writing experience and leadership from start to finish was
crucial to bringing this book to completion.
—­Pratap Ramamurthy
About the Authors
Mona Mona is an AI/ML specialist at Google Public Sector. She is the author of the book
Natural Language Processing with AWS AI Services and a speaker. She was a senior AI/ML
specialist Solution Architect at AWS before joining Google. She has 14 certifications and has
created courses for AWS AI/ML Certification Specialty Exam readiness. She has authored
17 blogs on AI/ML and also co-­authored a research paper on AWS CORD-19 Search: A
neural search engine for COVID-19 literature, which won an award at the Association
for the Advancement of Artificial Intelligence (AAAI) conference. She can be reached at
monasheetal3@gmail.com.

Pratap Ramamurthy loves to solve problems using machine learning. Currently he is an AI/
ML specialist at Google Public Sector. Previously he worked at AWS as a partner solution
architect where he helped build the partner ecosystem for Amazon SageMaker. Later he
was a principal solution architect at H2O.ai, a company that works on machine learning
algorithms for structured data and natural language. Prior to that he was a developer and a
researcher. To his credit he has several research papers in networking, server profiling tech-
nology, genetic algorithms, and optoelectronics. He holds three patents related to cloud
technologies. In his spare time, he likes to teach AI using modern board games. He can be
reached at pratap.ram@gmail.com.
About the Technical Editors
Hitesh Hinduja is an ardent artificial intelligence (AI) and data platforms enthusiast
currently working as a senior manager in Azure Data and AI at Microsoft. He worked as
a senior manager in AI at Ola Electric, where he led a team of 30+ people in the areas of
machine learning, statistics, computer vision, deep learning, natural language processing,
and reinforcement learning. He has filed 14+ patents in India and the United States and has
numerous research publications under his name. Hitesh has been associated in research roles
at India’s top B-­schools: Indian School of Business, Hyderabad, and the Indian Institute of
Management, Ahmedabad. He is also actively involved in training and mentoring and has
been invited as a guest speaker by various corporations and associations across the globe.
He is an avid learner and enjoys reading books in his free time.
Kanchana Patlolla is an AI innovation program leader at Google Cloud. Previously she
worked as an AI/ML specialist in Google Cloud Platform. She has architected solutions with
major public cloud providers in financial services industries on their quest to the cloud,
particularly in their Big Data and machine learning journey. In her spare time, she loves to
try different cuisines and relax with her kids.

About the Technical Proofreader

Adam Vincent is an experienced educator with a passion for spreading knowledge and
helping people expand their skill sets. He is multi-­certified in Google Cloud, is a Google
Cloud Authorized Trainer, and has created multiple courses about machine learning. Adam
also loves playing with data and automating everything. When he is not behind a screen,
he enjoys playing tabletop games with friends and family, reading sci-­fi and fantasy novels,
and hiking.

Google Technical Reviewer

Wiley and the authors wish to thank the Google Technical Reviewer Emma Freeman for her
thorough review of the proofs for this book.
Contents at a Glance
Introduction xxi

Assessment Test xxxii

Chapter 1 Framing ML Problems 1

Chapter 2 Exploring Data and Building Data Pipelines 19

Chapter 3 Feature Engineering 39

Chapter 4 Choosing the Right ML Infrastructure 57

Chapter 5 Architecting ML Solutions 83

Chapter 6 Building Secure ML Pipelines 103

Chapter 7 Model Building 121

Chapter 8 Model Training and Hyperparameter Tuning 143

Chapter 9 Model Explainability on Vertex AI 187

Chapter 10 Scaling Models in Production 199

Chapter 11 Designing ML Training Pipelines 221

Chapter 12 Model Monitoring, Tracking, and Auditing

Metadata 241

Chapter 13 Maintaining ML Solutions 259

Chapter 14 BigQuery ML 279

Appendix Answers to Review Questions 299

Index 315
Contents
Introduction xxi

Assessment Test xxxii

Chapter 1 Framing ML Problems 1

Translating Business Use Cases 3
Machine Learning Approaches 5
Supervised, Unsupervised, and Semi-­supervised Learning 5
Classification, Regression, Forecasting, and Clustering 7
ML Success Metrics 8
Regression 12
Responsible AI Practices 13
Summary 14
Exam Essentials 14
Review Questions 15
Chapter 2 Exploring Data and Building Data Pipelines 19
Visualization 20
Box Plot 20
Line Plot 21
Bar Plot 21
Scatterplot 22
Statistics Fundamentals 22
Mean 22
Median 22
Mode 23
Outlier Detection 23
Standard Deviation 23
Correlation 24
Data Quality and Reliability 24
Data Skew 25
Data Cleaning 25
Scaling 25
Log Scaling 26
Z-­score 26
Clipping 26
Handling Outliers 26
Establishing Data Constraints 27
Exploration and Validation at Big-­Data Scale 27
Running TFDV on Google Cloud Platform 28
Organizing and Optimizing Training Datasets 29
xiv Contents

Imbalanced Data 29
Data Splitting 31
Data Splitting Strategy for Online Systems 31
Handling Missing Data 32
Data Leakage 33
Summary 34
Exam Essentials 34
Review Questions 36
Chapter 3 Feature Engineering 39
Consistent Data Preprocessing 40
Encoding Structured Data Types 41
Mapping Numeric Values 42
Mapping Categorical Values 42
Feature Selection 44
Class Imbalance 44
Classification Threshold with Precision and Recall 45
Area under the Curve (AUC) 46
Feature Crosses 46
TensorFlow Transform 49
TensorFlow Data API (tf.data) 49
TensorFlow Transform 49
GCP Data and ETL Tools 51
Summary 51
Exam Essentials 52
Review Questions 53
Chapter 4 Choosing the Right ML Infrastructure 57
Pretrained vs. AutoML vs. Custom Models 58
Pretrained Models 60
Vision AI 61
Video AI 62
Natural Language AI 62
Translation AI 63
Speech-­to-­Text 63
Text-­to-­Speech 64
AutoML 64
AutoML for Tables or Structured Data 64
AutoML for Images and Video 66
AutoML for Text 67
Recommendations AI/Retail AI 68
Document AI 69
Dialogflow and Contact Center AI 69
Custom Training 70
 Contents xv

How a CPU Works 71

GPU 71
TPU 72
Provisioning for Predictions 74
Scaling Behavior 75
Finding the Ideal Machine Type 75
Edge TPU 76
Deploy to Android or iOS Device 76
Summary 77
Exam Essentials 77
Review Questions 78
Chapter 5 Architecting ML Solutions 83
Designing Reliable, Scalable, and Highly Available
ML Solutions 84
Choosing an Appropriate ML Service 86
Data Collection and Data Management 87
Google Cloud Storage (GCS) 88
BigQuery 88
Vertex AI Managed Datasets 89
Vertex AI Feature Store 89
NoSQL Data Store 90
Automation and Orchestration 91
Use Vertex AI Pipelines to Orchestrate the ML Workflow 92
Use Kubeflow Pipelines for Flexible Pipeline Construction 92
Use TensorFlow Extended SDK to Leverage Pre-built
Components for Common Steps 93
When to Use Which Pipeline 93
Serving 94
Offline or Batch Prediction 94
Online Prediction 95
Summary 97
Exam Essentials 97
Review Questions 98
Chapter 6 Building Secure ML Pipelines 103
Building Secure ML Systems 104
Encryption at Rest 104
Encryption in Transit 105
Encryption in Use 105
Identity and Access Management 105
IAM Permissions for Vertex AI Workbench 106
Securing a Network with Vertex AI 109
Privacy Implications of Data Usage and Collection 113
xvi Contents

Google Cloud Data Loss Prevention 114

Google Cloud Healthcare API for PHI Identification 115
Best Practices for Removing Sensitive Data 116
Summary 117
Exam Essentials 118
Review Questions 119
Chapter 7 Model Building 121
Choice of Framework and Model Parallelism 122
Data Parallelism 122
Model Parallelism 123
Modeling Techniques 125
Artificial Neural Network 126
Deep Neural Network (DNN) 126
Convolutional Neural Network 126
Recurrent Neural Network 127
What Loss Function to Use 127
Gradient Descent 128
Learning Rate 129
Batch 129
Batch Size 129
Epoch 129
Hyperparameters 129
Transfer Learning 130
Semi-­supervised Learning 131
When You Need Semi-­supervised Learning 131
Limitations of SSL 131
Data Augmentation 132
Offline Augmentation 132
Online Augmentation 132
Model Generalization and Strategies to Handle
Overfitting and Underfitting 133
Bias Variance Trade-­Off 133
Underfitting 133
Overfitting 134
Regularization 134
Summary 136
Exam Essentials 137
Review Questions 138
Chapter 8 Model Training and Hyperparameter Tuning 143
Ingestion of Various File Types into Training 145
Collect 146
Process 147
Store and Analyze 150
 Contents xvii

Developing Models in Vertex AI Workbench by Using Common

Frameworks 151
Creating a Managed Notebook 153
Exploring Managed JupyterLab Features 154
Data Integration 155
BigQuery Integration 155
Ability to Scale the Compute Up or Down 156
Git Integration for Team Collaboration 156
Schedule or Execute a Notebook Code 158
Creating a User-­Managed Notebook 159
Training a Model as a Job in Different Environments 161
Training Workflow with Vertex AI 162
Training Dataset Options in Vertex AI 163
Pre-built Containers 163
Custom Containers 166
Distributed Training 168
Hyperparameter Tuning 169
Why Hyperparameters Are Important 170
Techniques to Speed Up Hyperparameter Optimization 171
How Vertex AI Hyperparameter Tuning Works 171
Vertex AI Vizier 174
Tracking Metrics During Training 175
Interactive Shell 175
TensorFlow Profiler 177
What-­If Tool 177
Retraining/Redeployment Evaluation 178
Data Drift 178
Concept Drift 178
When Should a Model Be Retrained? 178
Unit Testing for Model Training and Serving 179
Testing for Updates in API Calls 180
Testing for Algorithmic Correctness 180
Summary 180
Exam Essentials 181
Review Questions 182
Chapter 9 Model Explainability on Vertex AI 187
Model Explainability on Vertex AI 188
Explainable AI 188
Interpretability and Explainability 189
Feature Importance 189
Vertex Explainable AI 189
Data Bias and Fairness 193
ML Solution Readiness 194
How to Set Up Explanations in the Vertex AI 195
xviii Contents

Summary 196
Exam Essentials 196
Review Questions 197
Chapter 10 Scaling Models in Production 199
Scaling Prediction Service 200
TensorFlow Serving 201
Serving (Online, Batch, and Caching) 203
Real-­Time Static and Dynamic Reference Features 203
Pre-computing and Caching Prediction 206
Google Cloud Serving Options 207
Online Predictions 207
Batch Predictions 212
Hosting Third-­Party Pipelines (MLFlow) on Google Cloud 213
Testing for Target Performance 214
Configuring Triggers and Pipeline Schedules 215
Summary 216
Exam Essentials 217
Review Questions 218
Chapter 11 Designing ML Training Pipelines 221
Orchestration Frameworks 223
Kubeflow Pipelines 224
Vertex AI Pipelines 225
Apache Airflow 228
Cloud Composer 229
Comparison of Tools 229
Identification of Components, Parameters, Triggers,
and Compute Needs 230
Schedule the Workflows with Kubeflow Pipelines 230
Schedule Vertex AI Pipelines 232
System Design with Kubeflow/TFX 232
System Design with Kubeflow DSL 232
System Design with TFX 234
Hybrid or Multicloud Strategies 235
Summary 236
Exam Essentials 237
Review Questions 238
Chapter 12 Model Monitoring, Tracking, and Auditing
Metadata 241
Model Monitoring 242
Concept Drift 242
Data Drift 243
Model Monitoring on Vertex AI 243
 Contents xix

Drift and Skew Calculation 244

Input Schemas 245
Logging Strategy 247
Types of Prediction Logs 247
Log Settings 248
Model Monitoring and Logging 248
Model and Dataset Lineage 249
Vertex ML Metadata 249
Vertex AI Experiments 252
Vertex AI Debugging 253
Summary 253
Exam Essentials 254
Review Questions 255
Chapter 13 Maintaining ML Solutions 259
MLOps Maturity 260
MLOps Level 0: Manual/Tactical Phase 261
MLOps Level 1: Strategic Automation Phase 263
MLOps Level 2: CI/CD Automation,
Transformational Phase 264
Retraining and Versioning Models 266
Triggers for Retraining 267
Versioning Models 267
Feature Store 268
Solution 268
Data Model 269
Ingestion and Serving 269
Vertex AI Permissions Model 270
Custom Service Account 270
Access Transparency in Vertex AI 271
Common Training and Serving Errors 271
Training Time Errors 271
Serving Time Errors 271
TensorFlow Data Validation 272
Vertex AI Debugging Shell 272
Summary 272
Exam Essentials 273
Review Questions 274
Chapter 14 BigQuery ML 279
BigQuery – Data Access 280
BigQuery ML Algorithms 282
Model Training 282
Model Evaluation 284
Prediction 285
xx Contents

Explainability in BigQuery ML 286

BigQuery ML vs. Vertex AI Tables 289
Interoperability with Vertex AI 289
Access BigQuery Public Dataset 289
Import BigQuery Data into Vertex AI 290
Access BigQuery Data from Vertex AI Workbench
Notebooks 290
Analyze Test Prediction Data in BigQuery 290
Export Vertex AI Batch Prediction Results 290
Export BigQuery Models into Vertex AI 291
BigQuery Design Patterns 291
Hashed Feature 291
Transforms 291
Summary 292
Exam Essentials 293
Review Questions 294
Appendix Answers to Review Questions 299
Chapter 1: Framing ML Problems 300
Chapter 2: Exploring Data and Building Data Pipelines 301
Chapter 3: Feature Engineering 302
Chapter 4: Choosing the Right ML Infrastructure 302
Chapter 5: Architecting ML Solutions 304
Chapter 6: Building Secure ML Pipelines 305
Chapter 7: Model Building 306
Chapter 8: Model Training and Hyperparameter Tuning 307
Chapter 9: Model Explainability on Vertex AI 308
Chapter 10: Scaling Models in Production 308
Chapter 11: Designing ML Training Pipelines 309
Chapter 12: Model Monitoring, Tracking, and Auditing
Metadata 310
Chapter 13: Maintaining ML Solutions 311
Chapter 14: BigQuery ML 313
Index 315
Introduction
When customers have a business problem, say to detect objects in an image, sometimes it
can be solved very well using machine learning. Google Cloud Platform (GCP) provides
an extensive set of tools to be able to build a model that can accomplish this and deploy
it for production usage. This book will cover many different use cases, such as using sales
data to forecast for next quarter, identifying objects in images or videos, and even extract-
ing information from text documents. This book helps an engineer build a secure, scalable,
resilient machine learning application and automate the whole process using the latest
technologies.
The purpose of this book is to help you pass the latest version of the Google Cloud
Professional ML Engineer (PMLE) exam. Even after you’ve taken and passed the PMLE
exam, this book should remain a useful reference as it covers the basics of machine learning,
BigQuery ML, the Vertex AI platform, and MLOps.

Google Cloud Professional Machine

Learning Engineer Certification
A Professional Machine Learning Engineer designs, builds, and productionizes ML models
to solve business challenges using Google Cloud technologies and knowledge of proven
ML models and techniques. The ML engineer considers responsible AI throughout the ML
development process and collaborates closely with other job roles to ensure the long-­term
success of models. The ML engineer should be proficient in all aspects of model architecture,
data pipeline interaction, and metrics interpretation. The ML engineer needs familiarity with
foundational concepts of application development, infrastructure management, data engi-
neering, and data governance. Through an understanding of training, retraining, deploying,
scheduling, monitoring, and improving models, the ML engineer designs and creates scalable
solutions for optimal performance.

Why Become Professional ML Engineer (PMLE) Certified?

There are several good reasons to get your PMLE certification.

Provides proof of professional achievement Certifications are quickly becoming status

symbols in the computer service industry. Organizations, including members of the com-
puter service industry, are recognizing the benefits of certification.
Increases your marketability According to Forbes (www.forbes.com/sites/
louiscolumbus/2020/02/10/15-­top-­paying-­it-­certifications-­in-­2020/
?sh=12f63aa8358e), jobs that require GCP certifications are the highest-paying jobs
xxii Introduction

for the second year in a row, paying an average salary of $175,761/year. So, there is
a demand from many engineers to get certified. Of the many certifications that GCP
offers, the AI/ML certified engineer is a new certification and is still evolving.
Provides an opportunity for advancement IDC’s research (www.idc.com/getdoc
.jsp?containerId=IDC_P40729) indicates that while AI/ML adoption is on the rise,
the cost, lack of expertise, and lack of life cycle management tools are among the top
three inhibitors to realizing AI and ML at scale.
This book is the first in the market to talk about Google Cloud AI/ML tools and the
technology covering the latest Professional ML Engineer certification guidelines released
on February 22, 2022.
Recognizes Google as a leader in open source and AI Google is the main contrib-
utor to many of the path-­breaking open source softwares that dramatically changed
the landscape of AI/ML, including TensorFlow, Kubeflow, Word2vec, BERT, and T5.
Although these algorithms are in the open source domain, Google has the distinct ability
of bringing these open source projects to the market through the Google Cloud Platform
(GCP). In this regard, the other cloud providers are frequently seen as trailing Google’s
offering.
Raises customer confidence As the IT community, users, small business owners, and
the like become more familiar with the PMLE certified professional, more of them will
realize that the PMLE professional is more qualified to architect secure, cost-­effective,
and scalable ML solutions on the Google Cloud environment than a noncertified
individual.

How to Become Certified

You do not have to work for a particular company. It’s not a secret society. There is no
prerequisite to take this exam. However, there is a recommendation to have 3+ years of
industry experience, including one or more years designing and managing solutions using
Google Cloud.
This exam is 2 hours and has 50–60 multiple-­choice questions.
You can register two ways for this exam:
■■ Take the online-­proctored exam from anywhere or sitting at home. You can review the
online testing requirements at www.webassessor.com/wa.do?page=certInfo
&branding=GOOGLECLOUD&tabs=13.
■■ Take the on-site, proctored exam at a testing center.
We usually prefer to go with the on-site option as we like the focus time in a proctored
environment. We have taken all our certifications in a test center. You can find and locate a
test center near you at www.kryterion.com/Locate-­Test-­Center.
 Introduction xxiii

Who Should Buy This Book

This book is intended to help students, developers, data scientists, IT professionals, and
ML engineers gain expertise in the ML technology on the Google Cloud Platform and
take the Professional Machine Learning Engineer exam. This book intends to take readers
through the machine learning process starting from data and moving on through feature
engineering, model training, and deployment on the Google Cloud. It also walks readers
through best practices for when to pick custom models versus AutoML or pretrained
models. Google Cloud AI/ML technologies are presented through real-­world scenarios to
illustrate how IT professionals can design, build, and operate secure ML cloud environments
to modernize and automate applications.
Anybody who wants to pass the Professional ML Engineer exam may benefit from this
book. If you’re new to Google Cloud, this book covers the updated machine learning exam
course material, including the Google Cloud Vertex AI platform, MLOps, and BigQuery
ML. This is the only book on the market to cover the complete Vertex AI platform, from
bringing your data to training, tuning, and deploying your models.
Since it’s a professional-­level study guide, this book is written with the assumption that
you know the basics of the Google Cloud Platform, such as compute, storage, networking,
databases, and identity and access management (IAM) or have taken the Google Cloud
Associate-­level certification exam. Moreover, this book assumes you understand the basics of
machine learning and data science in general. In case you do not understand a term or con-
cept, we have included a glossary for your reference.

How This Book Is Organized

This book consists of 14 chapters plus supplementary information: a glossary, this introduc-
tion, and the assessment test after the introduction. The chapters are organized as follows:

Chapter 1: Framing ML Problems This chapter covers how you can translate business
challenges into ML use cases.
Chapter 2: Exploring Data and Building Data Pipelines This chapter covers visualiza-
tion, statistical fundamentals at scale, evaluation of data quality and feasibility, estab-
lishing data constraints (e.g., TFDV), organizing and optimizing training datasets, data
validation, handling missing data, handling outliers, and data leakage.
Chapter 3: Feature Engineering This chapter covers topics such as encoding structured
data types, feature selection, class imbalance, feature crosses, and transformations (Ten-
sorFlow Transform).
Chapter 4: Choosing the Right ML Infrastructure This chapter covers topics such as
evaluation of compute and accelerator options (e.g., CPU, GPU, TPU, edge devices)
xxiv Introduction

and choosing appropriate Google Cloud hardware components. It also covers choos-
ing the best solution (ML vs. non-­ML, custom vs. pre-­packaged [e.g., AutoML, Vision
API]) based on the business requirements. It talks about how defining the model output
should be used to solve the business problem. It also covers deciding how incorrect
results should be handled and identifying data sources (available vs. ideal). It talks about
AI solutions such as CCAI, DocAI, and Recommendations AI.
Chapter 5: Architecting ML Solutions This chapter explains how to design reliable,
scalable, and highly available ML solutions. Other topics include how you can choose
appropriate ML services for a use case (e.g., Cloud Build, Kubeflow), component types
(e.g., data collection, data management), automation, orchestration, and serving in
machine learning.
Chapter 6: Building Secure ML Pipelines This chapter describes how to build secure
ML systems (e.g., protecting against unintentional exploitation of data/model, hacking).
It also covers the privacy implications of data usage and/or collection (e.g., handling
sensitive data such as personally identifiable information [PII] and protected health
information [PHI]).
Chapter 7: Model Building This chapter describes the choice of framework and model
parallelism. It also covers modeling techniques given interpretability requirements,
transfer learning, data augmentation, semi-­supervised learning, model generalization,
and strategies to handle overfitting and underfitting.
Chapter 8: Model Training and Hyperparameter Tuning This chapter focuses on the
ingestion of various file types into training (e.g., CSV, JSON, IMG, parquet or databases,
Hadoop/Spark). It covers training a model as a job in different environments. It also
talks about unit tests for model training and serving and hyperparameter tuning. More-
over, it discusses ways to track metrics during training and retraining/redeployment
evaluation.
Chapter 9: Model Explainability on Vertex AI This chapter covers approaches to
model explainability on Vertex AI.
Chapter 10: Scaling Models in Production This chapter covers scaling prediction ser-
vice (e.g., Vertex AI Prediction, containerized serving), serving (online, batch, caching),
Google Cloud serving options, testing for target performance, and configuring trigger
and pipeline schedules.
Chapter 11: Designing ML Training Pipelines This chapter covers identification of
components, parameters, triggers, and compute needs (e.g., Cloud Build, Cloud Run). It
also talks about orchestration framework (e.g., Kubeflow Pipelines/Vertex AI Pipelines,
Cloud Composer/Apache Airflow), hybrid or multicloud strategies, and system design
with TFX components/Kubeflow DSL.
Chapter 12: Model Monitoring, Tracking, and Auditing Metadata This chapter covers
the performance and business quality of ML model predictions, logging strategies,
 Introduction xxv

organizing and tracking experiments, and pipeline runs. It also talks about dataset ver-
sioning and model/dataset lineage.
Chapter 13: Maintaining ML Solutions This chapter covers establishing continuous
evaluation metrics (e.g., evaluation of drift or bias), understanding the Google Cloud
permission model, and identification of appropriate retraining policies. It also covers
common training and serving errors (TensorFlow), ML model failure, and resulting
biases. Finally, it talks about how you can tune the performance of ML solutions for
training and serving in production.
Chapter 14: BigQuery ML This chapter covers BigQueryML algorithms, when to use
BigQueryML versus Vertex AI, and the interoperability with Vertex AI.

Chapter Features
Each chapter begins with a list of the objectives that are covered in the chapter. The book
doesn’t cover the objectives in order. Thus, you shouldn’t be alarmed at some of the odd
ordering of the objectives within the book.
At the end of each chapter, you’ll find several elements you can use to prepare for
the exam.

Exam Essentials This section summarizes important information that was covered in
the chapter. You should be able to perform each of the tasks or convey the information
requested.
Review Questions Each chapter concludes with 8+ review questions. You should
answer these questions and check your answers against the ones provided after the ques-
tions. If you can’t answer at least 80 percent of these questions correctly, go back and
review the chapter, or at least those sections that seem to be giving you difficulty.

The review questions, assessment test, and other testing elements

included in this book are not derived from the PMLE exam questions, so
don’t memorize the answers to these questions and assume that doing so
will enable you to pass the exam. You should learn the underlying topic,
as described in the text of the book. This will let you answer the questions
provided with this book and pass the exam. Learning the underlying topic
is also the approach that will serve you best in the workplace.

To get the most out of this book, you should read each chapter from start to finish and
then check your memory and understanding with the chapter-­end elements. Even if you’re
already familiar with a topic, you should skim the chapter; machine learning is complex
enough that there are often multiple ways to accomplish a task, so you may learn something
even if you’re already competent in an area.
xxvi Introduction

Like all exams, the Google Cloud certification from Google is updated
periodically and may eventually be retired or replaced. At some point
after Google is no longer offering this exam, the old editions of our books
and online tools will be retired. If you have purchased this book after
the exam was retired, or are attempting to register in the Sybex online
learning environment after the exam was retired, please know that we
make no guarantees that this exam’s online Sybex tools will be available
once the exam is no longer available.

Bonus Digital Contents

This book is accompanied by an online learning environment that provides several addi-
tional elements. The following items are available among these companion files:

Practice tests All of the questions in this book appear in our proprietary digital test
engine—including the 30-­question assessment test at the end of this introduction and
the 100+ questions that make up the review question sections at the end of each chapter.
In addition, there are two 50-­question bonus exams.
Electronic “flash cards” The digital companion files include 50+ questions in flash card
format (a question followed by a single correct answer). You can use these to review
your knowledge of the exam objectives.
Glossary The key terms from this book, and their definitions, are available as a fully
searchable PDF.

Interactive Online Learning Environment and Test Bank

You can access all these resources at www.wiley.com/go/sybextestprep.

Conventions Used in This Book

This book uses certain typographic styles in order to help you quickly identify important
information and to avoid confusion over the meaning of words such as on-screen prompts.
In particular, look for the following styles:
■■ Italicized text indicates key terms that are described at length for the first time in a
chapter. These words probably appear in the searchable online glossary. (Italics are also
used for emphasis.)
 Introduction xxvii

■■ A monospaced font indicates the contents of configuration files, messages displayed

as a text-­mode Google Cloud shell prompt, filenames, text-­mode command names, and
Internet URLs.
In addition to these text conventions, which can apply to individual words or entire para-
graphs, a few conventions highlight segments of text:

A note indicates information that’s useful or interesting but that’s some-

what peripheral to the main text. A note might be relevant to a small
number of networks, for instance, or it may refer to an outdated feature.

A tip provides information that can save you time or frustration and that
may not be entirely obvious. A tip might describe how to get around a
limitation or how to use a feature to perform an unusual task.

Google Cloud Professional ML Engineer

Objective Map
Here is where to find the objectives covered in this book.
OBJECTIVE CHAPTER(S)
Section 1: Architecting low-­code ML solutions
1.1 Developing ML models by using BigQuery ML. Considerations include: 14
■■ Building the appropriate BigQuery ML model (e.g., linear and binary 14
classification, regression, time-­series, matrix factorization, boosted
trees, autoencoders) based on the business problem
■■ Feature engineering or selection by using BigQuery ML 14
■■ Generating predictions by using BigQuery ML 14
1.2 Building AI solutions by using ML APIs. Considerations include: 4
■■ Building applications by using ML APIs (e.g., Cloud Vision API, 4
Natural Language API, Cloud Speech API, Translation)
■■ Building applications by using industry-­specific APIs (e.g., Document AI 4
API, Retail API)
1.3 Training models by using AutoML. Considerations include: 4
■■ Preparing data for AutoML (e.g., feature selection, data labeling, Tab- 4
ular Workflows on AutoML)
Another random document with
no related content on Scribd:
The Project Gutenberg eBook of Caillou et Tili
This ebook is for the use of anyone anywhere in the United States
and most other parts of the world at no cost and with almost no
restrictions whatsoever. You may copy it, give it away or re-use it
under the terms of the Project Gutenberg License included with this
ebook or online at www.gutenberg.org. If you are not located in the
United States, you will have to check the laws of the country where
you are located before using this eBook.

Title: Caillou et Tili

Author: Pierre Mille

Release date: September 3, 2023 [eBook #71553]

Language: French

Original publication: Paris: Calmann-Lévy, 1911

Credits: Laurent Vogel (This file was produced from images

generously made available by The Internet
Archive/Canadian Libraries)

*** START OF THE PROJECT GUTENBERG EBOOK CAILLOU ET

TILI ***
 PIERRE MILLE

CAILLOU ET TILI

PARIS
CALMANN-LÉVY, ÉDITEURS
3, RUE AUBER, 3
 CALMANN-LÉVY, ÉDITEURS

DU MÊME AUTEUR
Format in-18.

BARNAVAUX ET QUELQUES FEMMES

LA BICHE ÉCRASÉE
LOUISE ET BARNAVAUX
SUR LA VASTE TERRE
LE MONARQUE

Droits de reproduction et de traduction réservés pour tous les pays.

E. GREVIN — IMPRIMERIE DE LAGNY

 Il a été tiré de cet ouvrage
DIX EXEMPLAIRES SUR PAPIER DE HOLLANDE,
tous numérotés.
 PREMIÈRE RENCONTRE

… C’était une présence. Je le sentais près de moi, depuis

quelques jours. Invisible et bienveillant, il planait, frôlait, enveloppait.
Au fond, je n’ignorais pas qu’il dût arriver. Chaque année, tôt ou tard,
il vient, mais je ne sais comment, c’est toujours par surprise, et il est
si fort, avec son air très doux, qu’il vous écrase. Les gens font ce
qu’ils peuvent pour s’occuper d’autre chose ; il y a des grèves, il y a
des révolutions, il y a des armées en marche et des bateaux d’acier
qui bougent. On voudrait croire que c’est l’important, on ne saurait ;
on sent dans tout son corps que tout cela n’est qu’une apparence :
la vérité, la seule vérité à laquelle on pense, c’est qu’il est revenu. Je
vous parle du printemps.
Les premiers à savoir qu’il est chez nous, par un phénomène
mystérieux, ce sont les objets inanimés… J’ai eu une petite amie,
une très petite amie : elle n’avait que treize ans. Mais ne pensez pas
à mal, j’avais moi-même le même âge. Elle allait à l’école
communale, dans un faubourg de Paris, et on lui donna un jour un
devoir de style à composer sur le printemps. Elle me le fit lire. Je
vois encore son écriture anglaise, qui était maladroite et enfantine.
Et voici comment elle avait débuté : « C’est le printemps ; alors
toutes les tables se mettent à sortir à la porte des cafés. » J’étais un
petit garçon qui avait déjà lu trop de livres, je ne possédais plus que
des idées littéraires sur le printemps, mon esprit était faussé : cette
manière de parler me parut choquante. Aujourd’hui je la juge au
contraire toute remplie d’un sens profond : quand le printemps va
venir, les tables de café le savent, et elles sortent toutes seules pour
prendre l’air. Il fait encore très froid, le ciel est gris, tout le monde
grelotte, tout le monde s’ennuie. Mais elles ont été renseignées par
un instinct très sûr ; elles sortent bravement et font des signes aux
panamas de Guayaquil qui ont sauté de leur boîte pour se précipiter
à la devanture des chapeliers.
Et après les objets inanimés, ce sont les infiniment petits qui sont
avertis : les moucherons qui dansent au soleil, toute une poussière
ailée qui semble naître des herbes encore pâles et souffrantes. Je
me suis longtemps demandé d’où leur venait cet instinct
prophétique, et tant que je n’ai pas commencé à vieillir, je n’y ai rien
compris. Mais à mesure qu’on prend de l’âge, il y a des sens qui
s’aiguisent : c’est une compensation. On entend un peu moins bien,
on y voit plus mal, mais l’odorat fait son éducation, il apprend à
reconnaître dans l’air et dans les choses des parfums subtils qu’il ne
distinguait pas auparavant. Voilà pourquoi, ainsi, que je sais
aujourd’hui que le printemps s’annonce par une nouvelle odeur du
vent, et quelques jours plus tard par celle de la terre. C’est le vent
qui vous prévient d’abord, parce qu’il est grand voyageur, qu’il va
très vite, et qu’il thésaurise. Toutes les fois qu’il a passé sur une
pousse verte ou une petite fleur, il lui vole un peu de son haleine, va
plus loin, et recommence. A la fin, quand il nous arrive, il est déjà
très riche, et au premier rayon de soleil, tout ce qu’il porte avec lui
s’exalte et se révèle. C’est à ce moment qu’on se dit : « Qu’est-ce
donc, et qu’y a-t-il de changé ? » L’intelligence n’y entend rien, mais
quelque chose d’inconscient, dans l’abîme de notre être, éprouve
une espèce d’émotion frissonnante qui fait ouvrir les narines et
battre le cœur. Cependant la terre est encore plus sensible que
nous. Elle s’échauffe à son tour. Au delà des taches blanches,
rouges et noires que font les villes, les charrues l’ont ouverte et
retournée, et les mottes de glèbe jettent en séchant vers le ciel
l’expression d’une sorte de désir. C’est une odeur extrêmement
vague, et pourtant très certaine, fraîche, saine, allègre et de la
même nature, bien que plus légère et plus fine, que celle des
champs labourés après les grandes pluies de juillet et d’août. Elle
pénètre jusque dans les cités, étonnant ceux qui les habitent parce
qu’ils n’en savent pas l’origine. On n’aperçoit encore rien sur le
visage des hommes, mais les femmes prennent des traits, un teint,
un port de taille tout neufs, un air à la fois plus conquérant et plus
hardi. Qu’on m’enferme, si l’on veut, durant des années dans une
prison sans fenêtre, où je ne pourrais compter ni les jours, ni les
saisons, mais qu’on me montre une femme : je saurai tout de même
si le printemps est venu rien qu’à la façon dont elle marche, à
quelque chose dans ses yeux, et à la façon dont elle respire. On a
donc bien tort d’affirmer que les femmes ne sont pas sincères : elles
ne cachent jamais rien de ce qu’il est réellement bon de connaître, et
salutaire de ressentir.
Quelques jours plus tard, les bourgeons ont éclaté, et les oiseaux
sont revenus. Ce sont alors les bruits du monde extérieur qui
changent. D’abord, ils ne sont pas les mêmes, et personne ne
l’ignore ; un univers où les oiseaux n’ont plus de voix, où les insectes
ne bourdonnent pas, n’est pas semblable à celui où les moineaux
saluent la lumière chaque matin, où les mouches font de la musique
en dansant ; mais c’est aussi que les rumeurs les plus brutales sont
toutes différentes dès qu’il leur faut passer à travers les feuilles,
tandis que l’air même est plus sonore parce qu’il est plus sec. Peut-
être aussi parce qu’il est plus lumineux ; car je suis persuadé que la
lumière influe sur les sons, et qu’un violon ne chante pas de la
même manière au grand jour ou dans l’obscurité, par un temps gris
ou quand le ciel est sans nuage, au printemps ou sous la neige. Tout
cela est impondérable, indéterminé, impossible à prouver ; on n’en a
que l’impression et le pressentiment ; mais les forces les plus
grosses de l’univers ne se composent que d’actions imperceptibles
qu’on subit sans parvenir à les mesurer, et il ne faut pas s’étonner
que le sang et la sève des végétaux, des bêtes et des hommes
subissent d’incompréhensibles changements, alors que dans
l’obscurité perpétuelle et l’égalité de température des celliers, le vin
même est sensible à la saison nouvelle, et s’émeut et bouillonne. Il y
a, au moment du printemps, des correspondances inexplicables
entre l’animé et l’inanimé, des passages de l’un à l’autre, des crises
de résurrection. Et l’esprit n’y peut rien saisir, il n’y a pas de phrases
à découvrir dans la nature, il n’y a pas de mélodie. C’est seulement
comme des accords qui s’enchaîneraient les uns aux autres.
Presque tous sont joyeux ; mais brusquement il en éclate quelques-
uns qui sont pathétiques, déchirants, et vous laissent pénétrés d’un
sentiment d’enthousiasme. On croit savoir pourquoi on vit : illusion,
mais délicieuse !
Je me souviens d’un pays, à l’autre bout de la terre. L’ordre des
saisons y est renversé. Aussitôt que la fraîcheur de l’hiver y a
disparu, le sol rouge s’y couvre de la floraison rose des pêchers
sauvages ; car les pêchers, introduits il y a moins d’un siècle par les
Européens, s’y sont répandus avec une incroyable rapidité. Vers le
milieu de novembre, tous les sommets de ces régions incultes
prennent la couleur des seins d’une femme amoureuse, et les
petites filles qui descendent aux rizières arrachent en passant
quelques-unes de ces branches fleuries. C’est le moment où l’on
comprend le mieux que les sentiments du peuple qui vit sur cette
terre ne sont pas absolument différents des nôtres, et que tous les
pays où il y a un printemps pourront un jour avoir la même âme ; les
autres demeureront barbares.
On s’étonnera que dans ces quelques lignes, où il est parlé du
printemps, il soit question de tout, excepté d’amour… C’est que
l’amour n’est qu’un des effets de cette résurrection : il ne vient qu’à
cause du reste. On dirait qu’on ouvre une porte, à l’aube, dans une
demeure sombre, où une petite bête câline aurait erré toute la nuit
pour savoir ce qui lui manque. Elle aperçoit la terre éclairée, l’espace
et la vie, elle s’échappe et bondit. Voilà tout. Mais c’est très beau.

C’est un de ces jours tout jeunes que j’eus avec Caillou la

première conversation qui fit de nous de grands amis, malgré la
différence d’âge : il n’a pas encore cinq ans, et c’est le dernier né
d’une assez grande famille. Sa mère, qui n’est pas bien riche, ni bien
pauvre, — et c’est peut-être le pire, pour l’embarras que ça donne,
d’être encore des bourgeois qui ont un rang à tenir, quand on a des
enfants et qu’il faut les élever, — sa mère m’avait affirmé légèrement
que c’était lui-même, Caillou, qui s’est donné ce nom, sans que
personne sache pourquoi. Mais je ne l’avais crue qu’à moitié, à
cause de la grande connaissance que je crois avoir de l’âme des
petits hommes au-dessous de cinq ans. Je m’aime en eux, je me
retrouve, je sais à peu près comment ils pensent et comment ils
inventent. Voilà même pourquoi je suis persuadé qu’ils n’inventent
rien complètement : ils ne font que déformer les idées qu’on leur
suggère. Je résolus donc d’observer Caillou et d’en avoir le cœur
net. Je sentis que j’approchais de la vérité le jour où, dans le jardin
des Tuileries, sous les bons vieux marronniers qui sont là, Caillou,
que je venais de faire enrager un peu, me dit sérieusement :
— Tu m’embêtes (tous les petits garçons qui ont des frères plus
âgés parlent un langage déplorable : c’est l’avantage des grandes
familles), tu m’embêtes, et je vais t’écraser avec ma charrette.
La charrette de mon ami Caillou a coûté un franc quarante-cinq
au Bazar de l’Hôtel-de-Ville, et mesure exactement dix-huit
centimètres. C’est à peine si une bête à bon Dieu la sentirait passer.
Et j’eus dès ce moment l’intuition profonde de l’âme de Caillou : il a
de l’imagination, encore plus d’imagination que les autres enfants de
son âge. Quand il traîne sa charrette sous les marronniers, il a
réellement sous les yeux un camion très lourd, remorqué par quatre
chevaux vivants. Même, je présume qu’il pourrait décrire la couleur
de ces chevaux. Comme tous les grands poètes, il refait en le
magnifiant l’univers qui l’entoure. C’est alors que je fus sur la piste
de plus grandes découvertes. Je l’interrogeai prudemment, et il me
confia :
— J’suis un caillou, plus dur que tous les aut’ cailloux. Quand
j’tombe, j’leur fais du mal.
Son petit front, ses genoux et ses bras étaient couverts de
bosses. Il y en avait de bleues et de vertes, les plus anciennes,
d’autres écorchées, d’autres enfin toutes fraîches, rondes et
gonflées. On lui avait dit, une fois qu’il pleurait après une chute sur le
gravier des Tuileries : « Tu viens encore de leur faire du mal, aux
petites pierres ! » Et il en avait été consolé, par esprit de vengeance ;
il avait vu ces petites pierres souffrir, et souffrir plus que lui ; il s’était
considéré sérieusement comme une espèce de caillou plus lourd,
qui faisait du mal aux autres, au prix de petites douleurs qu’il lui était
alors aisé de supporter courageusement ! C’est ainsi que coulait sa
vie, héroïque et glorieuse, au milieu des batailles qu’il livrait aux
choses.

A partir de ce moment, je décidai que Caillou était un grand petit

homme selon mon cœur et je le déclarai à sa mère. Elle en fut
naturellement flattée, mais sans montrer d’enthousiasme extérieur
parce qu’elle est habituellement occupée de choses importantes et
pressées. Chez elle ou aux Tuileries, je la voyais toujours tirer, d’un
grand panier à ouvrage, de petites culottes, de petites vestes de
marin, et aussi de petites jupes et de petits corsages. Et là-dedans
elle coupait, taillait, cousait infatigablement, gardant toujours dans sa
tête la taille respective de ses rejetons. Car lorsqu’on a une si
nombreuse postérité, il faut posséder l’esprit d’organisation. Quand
le numéro un avait grandi, on faisait pour lui l’emplette d’un nouveau
vêtement, mais l’ancien n’était pas perdu : il passait au numéro
deux, avec de petites modifications, et souvent ensuite au numéro
trois ou au numéro quatre, le numéro trois étant une fille qu’il eût été
choquant de voir autrement qu’en jupes. Pour les derniers, les
combinaisons étaient plus faciles : les sarraux et les tabliers de la
petite enfance n’ont pas de sexe. Voilà pourquoi mon ami Caillou
portait tranquillement un costume qu’il avait vu l’année précédente
sur le dos de sa sœur Lucile. Il avait d’autres affaires en tête et ne
s’en inquiétait guère.
Mais il vint un jour où je ne trouvai aux Tuileries que sa mère
toute seule.
— Il n’est pas malade, notre Caillou, répondit-elle à mon
interrogation. Seulement, au moment de partir, sans cause il a fait
une scène, une scène… J’ai dû le laisser à la maison. Cependant, je
puis me tromper, il est peut-être malade tout de même, ajouta-t-elle,
soucieuse.
Et j’appris, la semaine suivante, que Caillou était méchant quand
il n’était pas triste, et triste quand il n’était pas méchant. Son
caractère changeait, il était tout sombre.
— Décidément, avait dit sa mère, il est malade.
C’est très difficile de savoir ce qu’ont les tout petits. Ils ne savent
pas s’expliquer. Tout leur corps, depuis le cou jusqu’aux jambes, ils
l’appellent ordinairement leur ventre, et beaucoup, quand ils ont mal
aux dents, disent qu’ils ont mal à la tête. Le médecin fit déshabiller
Caillou et l’ausculta de tous les côtés, sans rien y comprendre. Il lui
demandait :
— Qu’est-ce que tu as, Caillou ? Pourquoi ne manges-tu pas ton
œuf et ta bouillie d’avoine ?
— Elle n’est pas bonne ! répondit Caillou.
— Elle est très bonne, protesta sa mère indignée. C’est la même
qu’il y a quinze jours.
Alors le médecin déclara que c’était de l’embarras gastrique et
qu’il fallait purger cet enfant. Caillou avala des pilules qui n’ont pas
de goût, trouva qu’elles avaient du goût, cracha, fit pour le reste ce
qu’on demandait de lui et demeura mélancolique. Ce n’était pas ça !
Alors le médecin fut encore rappelé, et déshabilla de nouveau
Caillou sans rien voir. Mais il dit :
— Ça doit être des vers !
Et Caillou prit de la santonine. Il se laissa faire gentiment, et
aussi avec un sentiment d’importance qui le rassérénait un peu.
Mais on se rendit compte bientôt, d’une façon incontestable, que ce
n’était pas des vers : il retomba dans le marasme et sa famille dans
l’inquiétude. Sa mère me dit à la fin :
— Allez le voir. Il vous aime, il sent que vous êtes son ami, et je
crois qu’il a quelque chose sur le cœur qu’il ne sait comment dire.
Enfin vous le confesserez, car c’est maintenant comme s’il se méfiait
de nous.
 J’allai voir mon ami Caillou. La plupart des petits garçons ne sont
pleinement heureux que lorsqu’ils ont une affection en dehors de
chez eux. Et l’objet de cette affection est généralement un homme.
C’est d’abord parce qu’ils ne savent pas, et ça vaut mieux. C’est
aussi parce qu’ils sont fiers d’avoir un ami dont ils pensent qu’ils
seront comme lui plus tard : aussi grands et aussi beaux ; je veux
dire barbus. Caillou vint à moi la main tendue, sa chère bouche à la
fois ouverte et rétrécie pour un baiser, les yeux brillants et sa petite
poitrine gonflée d’une amoureuse confiance. Il portait toujours le
sarreau légué par sa sœur Lucile.
Nous causâmes d’abord des sujets graves qui nous intéressent
tous les deux : d’un chien qui est notre ami, d’un bateau sous-marin
qui a fait naufrage l’autre jour dans le bassin des Tuileries, et d’une
petite fille. Puis il me dit, de lui-même :
— Mon vieux, vois-tu, j’ai du chagrin.
Je lui avais mis le bras autour des épaules, pour l’embrasser,
virilement, afin qu’il sût bien que je le traitais comme quelqu’un de
mon âge. Mais il fondit en larmes, comme un gosse, comme un bon
petit gosse qu’il est. Je disais, vraiment ému :
— Mais qu’est-ce qu’il y a, Caillou ? Voyons, dis-moi ce qu’il y a !
Il sanglotait bien fort, sans pouvoir répondre. A la fin pourtant il
me dit, si bas que personne excepté moi ne pouvait entendre :
— Toute la semaine je suis habillé comme tu vois, avec les
choses de Lucile. Et le dimanche, on me met une culotte et un
jersey…
— Eh bien, Caillou ?
— Eh bien, fit-il, éclatant, comment veux-tu que je sache si je
suis un garçon ou une fille, maintenant ? Qu’est-ce que je suis,
qu’est-ce que je suis ?…
 CAILLOU ET LES FEMMES

Lorsque Caillou se trouva définitivement habillé en homme, c’est-

à-dire assuré de son sexe, il reprit avec rapidité sa belle humeur et
sa bonne grâce. La seule chose qu’il persista toujours à ne pouvoir
souffrir, c’est qu’on fît devant lui allusion aux doutes qu’il avait un
instant nourris sur sa virilité. Devant les enfants — cette précaution
est essentielle — ne racontez jamais les histoires qui leur sont
arrivées : s’ils sont disposés à l’affectation et à la vanité, vous en
ferez de petits acteurs ; s’ils sont fiers, délicats, chatouilleux de leur
âme, vous blesserez leur susceptibilité. Car vous aurez beau faire,
jamais vous ne conterez l’histoire comme ils l’ont sentie, vous êtes
trop différents d’eux-mêmes, vous ne leur rendrez pas justice ; et
ainsi ils penseront que vous vous moquez de leurs chagrins ou de
leurs soucis, que vous ne prenez au sérieux ni leur personne — il n’y
a pas d’être humain au monde qui soit plus solitaire et par
conséquent plus orgueilleux qu’un enfant — ni l’univers qu’ils sont
en train de se construire en mosaïque, je veux dire en sensations
ajoutées les unes aux autres : beaux fragments lumineux des
choses, gemmes précieuses qu’ils amassent perpétuellement.
Dès que Caillou fut sûr d’être un homme, il se conduisit en
homme. Entendez par là qu’il méprisa du coup ses sœurs ou du
moins ne leur accorda plus qu’une méfiance un peu dédaigneuse.
— Caillou, lui dis-je un jour, il me semble que tu n’es pas gentil
avec Lucile. Et pourtant c’est ton aînée, et elle est si bonne pour toi.
 Mais il secoua la tête.
— Elle est embêtante, dit-il ; les femmes sont embêtantes.
Je fus tenté de lui répondre que plus tard il changerait d’avis.
Mais c’eût été immoral. Je me tus. Caillou d’ailleurs réfléchissait. Il
tenait à donner ses raisons, et c’est très difficile de donner des
raisons quand on ne pense que par impressions et par images.
— Je vais te dire, fit-il. Quand je suis seul avec elle, ça m’ennuie
parce qu’elle joue à être ma maman… ou je ne sais pas quoi : elle
colle.
Je compris que l’un l’ennuyait et que l’autre chose, il ne la
comprenait pas.
— Et quand Lucile est avec d’aut’ filles, continua-t-il, elle
m’embête, elle me fait tourner, elle triche.
— Mais, demandai-je, quand vous êtes plusieurs petits garçons
avec une seule petite fille, vous lui rendez ça ?
— Non, fit-il, étonné. Nous ne trichons pas.
C’est de la sorte qu’il me fut révélé que les femmes, dès
l’enfance, une fois qu’elles sont assemblées, considèrent les
hommes comme des ennemis et prennent sur eux, quand elles le
peuvent, des espèces de revanches sournoises.
Caillou ajouta, toujours grave :
— Aussi, elles ne sentent pas la même chose. C’est pas la même
odeur.
Cette phrase innocente me fit rêver. J’en fus à me demander
comment Caillou concevait les relations qu’on peut avoir avec un
sexe différent du sien. Mais il faut en vérité que je m’excuse. Au
moment de traiter ce grave sujet, je me demande tout à coup si la
matière en existe. Il semble au contraire, à première vue, être le seul
qui n’intéresse pas directement Caillou, qui jamais n’a là-dessus rien
prononcé de mémorable. Caillou ne m’a pas une fois paru percevoir
le rapport qui pouvait exister entre les femmes et l’amour. Il aime
pourtant, il aime toutes choses et de toutes ses forces. Je me rends
très bien compte que plus tard, quand il aura l’âge, je veux dire tous
les âges, même encore le mien, où les femmes tiennent dans la vie
une place si grande, si heureuse ou si douloureuse, si amère ou tout
à coup si délicieuse, c’est avec ses souvenirs d’enfance, pour les
trois quarts peut-être, qu’il fabriquera les images qui lui rendront
sensibles son bonheur ou son mal : être bercé ou grondé, être
accueilli ou repoussé, être enfin — et c’est ça, oui, c’est surtout ça !
— être celui auquel on fait attention. Caillou sent comme avec des
tentacules invisibles et délicats s’il plaît ou s’il ne plaît pas, si on le
comprend, surtout quand il est en apparence incompréhensible.
L’orgueil, la tendresse, l’amour-propre, le besoin d’être le premier
dans les préoccupations, tout ce qui fait l’amour excepté l’éveil des
sens, il l’a. Et dans son vocabulaire, les mots qui sont les seuls, les
mots qui plus tard toujours lui suffiront, baisers, caresses, chagrin,
peine et plaisir, il les connaît, et l’on dirait qu’ils ont déjà chez lui plus
de retentissement que les autres. Un jour, il monta sur mes genoux,
et me dit :
— Tu m’aimes, n’est-ce pas ?
— Mais oui, mon petit, mais oui !
— Alors, dis-moi des secrets !
Il a donc senti qu’il doit y avoir, en amour, une chose qui s’appelle
la confidence. Tout son appareil sentimental est prêt. Seulement il
n’aime pas les petites filles.
Son opinion, qu’il m’avait auparavant exprimée, si vous voulez
bien vous en souvenir, c’est que sa sœur Lucile, qui a deux ans de
plus que lui, non seulement le persécutait, mais encore s’associait
avec les autres petites filles pour le persécuter, sans raison ni bonne
foi. Ainsi son premier sentiment sur les sexes, c’est qu’ils sont
ennemis.
— Par exemple, explique-t-il, on joue à chat perché : elles ont
inventé que, quand elles sont assises, elles sont perchées ! Ça ne
fait encore rien ; mais quand je vais en prendre une, l’autre l’attire
tout de suite et l’assied sur ses genoux. Alors c’est moi que j’y suis
toujours.
 Il explique ça très longuement, en s’y reprenant, étant inhabile à
tout ce qui est construction raisonnée, et aussi pudique, si j’ose dire,
sur tout ce qui est pour lui un chagrin passé ; il a peut-être peur du
mal que ça lui a fait, ou bien qu’on se moque.

J’ai alors regardé les petites filles et j’ai été obligé de constater
qu’il avait raison : quand elles se trouvent, en nombre, devant un
seul petit garçon, ce sont de petites rosses. Mais Caillou ne
s’aperçoit pas qu’elles ne font peut-être que se venger, car il est, lui
Caillou, complètement idiot quand il se trouve seul avec une seule
d’entre elles, ou deux tout au plus. Elles lui font la cour, et il ne s’en
aperçoit pas. Il est poli, mais il s’embête.
Ça doit tenir à deux choses. La première, c’est qu’elles sont
beaucoup plus intelligentes que lui pour leur âge, et moins actives.
Caillou est pour les jeux où l’on remue. Il a besoin d’épancher une
surabondance de force, et s’il parle en jouant c’est pour raconter des
choses absurdes et démesurées. N’oubliez pas que c’est lui qui
voulait m’écraser avec une charrette de vingt-neuf sous. Il est
instinctivement énorme, c’est-à-dire romantique, et la réalité l’ennuie.
Les petites filles ont au contraire le sens des charmes de cette
réalité, elles la voient d’une façon beaucoup plus aiguë et précise.
La seconde différence entre elles et Caillou, c’est qu’elles ont
l’instinct inné de la coquetterie et qu’il en est dépourvu. Caillou existe
pour les petites filles, tandis que les petites filles n’existent point pour
Caillou : ce point de dissidence est grave. Et plus elles sont petites,
plus il les méprise. Il n’aime que ce qui est grand.
… On vient de le conduire chez Jeanne, qui reçoit aussi Vivette.
Ils vont être trois, dans une nursery pour passer deux heures.
Caillou ne discute jamais la décision de ses parents ou de sa bonne,
quand on le mène dans un endroit qu’il ne connaît pas ; il n’a aucune
opinion préconçue. De plus on lui a dit : « Tu seras gentil, n’est-ce
pas ? » Il n’aime pas beaucoup ces avertissements, mais ils lui font
de l’effet. Toute parole agit sur lui, elle émeut sa volonté imaginative
et malléable. Vivette et Jeanne sont d’ailleurs très aimables avec lui.
Elles ne sont que deux. Ce n’est pas aujourd’hui « l’instinct ennemi »
du sexe contre un autre sexe qui parlera, c’est celui de la
coquetterie. Chacune voudrait être celle qui est remarquée, et
d’ailleurs on les a faites très belles. Seulement Vivette, qui est en
visite, a une capote blanche sur la tête, tandis que Jeanne, qui
reçoit, n’a qu’un ruban bleu. Et cela n’est pas sans l’inquiéter. Un
instinct primitif et sauvage porte en effet les enfants à mettre la
beauté, non pas dans les traits, mais dans ce qu’on y ajoute. Pour
une petite fille, une belle petite fille est celle qui a une belle robe.
Pour un Caillou, au contraire, le petit garçon enviable, n’eût-il pas de
jambes, sera celui qui a un aéroplane.
… Mais Caillou, une fois qu’il est dans la nursery, ne fait pas plus
attention à Jeanne qu’à Vivette. Il sent qu’elles n’ont pas de
mauvaises intentions à son égard, ce qui lui suffit ; il ne se soucie
pas du tout de savoir qu’elles veulent lui plaire. Il les traite donc de la
même manière. Ceci ne veut pas dire qu’il leur accorde
impartialement ses faveurs ; il reste lui-même, tout simplement. Il
s’amuse pour son compte et les deux petites filles le suivent, en
essayant de se faire remarquer. Parfois l’une met sa joue sur la joue
de Caillou, et Caillou l’embrasse. Alors l’autre fait de même, et
Caillou l’embrasse également, sans y trouver beaucoup de plaisir.
Mais il ne s’ennuie pas, il est à son aise.
Cependant on vient le chercher, pour dire bonjour à la maman de
Vivette. Il y va ingénument, sans grands regrets ni satisfaction
évidente. Je ne sais pas ce qu’on lui dit, je ne sais pas ce qu’il
répond, et ceci n’importe pas à l’histoire. Mais tout à coup on entend,
dans la nursery, des pleurs et des cris qui font retentir les murailles,
et les mères se précipitent.
Un sentiment obscur et puissant, quelque chose comme un
désespoir passionné, venait de s’emparer de Vivette et de Jeanne,
laissées à elles-mêmes. Ni l’une ni l’autre n’a réussi à vraiment
attirer l’attention de Caillou, et durant toute une heure leur amertume
en a grandi ; elles s’en rendent, sans même s’en douter,
réciproquement responsables. Voilà pourquoi, l’objet de leur rivalité
ayant disparu, la querelle a éclaté, sans qu’elles sachent pourquoi.