Practical Data Science with Amazon SageMaker (MLPDSS)
Umělá inteligence a strojové učení (AI/ML) se stávají běžnou součástí praxe. V tomto kurzu strávíte jeden den v roli datového vědce, abyste mohli efektivně spolupracovat s datovými vědci a vytvářet aplikace integrované s ML. Naučíte se základní postup, který datoví vědci používají při vývoji řešení ML na platformě Amazon Web Services (AWS) pomocí Amazon SageMaker. Prostřednictvím demonstrací vedených instruktorem a praktických cvičení si osvojíte kroky potřebné k sestavení, trénování a nasazení modelu ML.
- Úroveň kurzu: Středně pokročilá
- Délka trvání: 1 den
Aktivity
Tento kurz zahrnuje prezentace, praktická cvičení a demonstrace.
Cíle kurzu
V tomto kurzu se naučíte:
- Diskutovat o výhodách různých typů strojového učení při řešení obchodních problémů
- Popsat typické procesy, role a odpovědnosti v týmu, který sestavuje a nasazuje systémy ML
- Vysvětlit, jak datoví vědci využívají nástroje AWS a ML k řešení běžných obchodních problémů
- Shrnout kroky, které datový vědec provádí při přípravě dat
- Shrnout kroky, které datový vědec provádí při trénování modelů ML
- Shrnout kroky, které datový vědec provádí při vyhodnocování a ladění modelů ML
- Shrnout kroky potřebné k nasazení modelu na endpoint a generování predikcí
- Popsat výzvy spojené s operacionalizací modelů ML
- Přiřadit nástroje AWS k jejich funkci v oblasti ML
Cílová skupina
Tento kurz je určen pro:
- Inženýry Development Operations (DevOps)
- Vývojáře aplikací
Předpoklady
Doporučujeme, aby účastníci tohoto kurzu měli:
- AWS Technical Essentials
- Základní znalosti programování v jazyce Python
- Základní znalosti statistiky
Osnova kurzu
Modul 1: Úvod do strojového učení
- Výhody strojového učení (ML)
- Typy přístupů ML
- Formulace obchodního problému
- Kvalita predikcí
- Procesy, role a odpovědnosti v projektech ML
Modul 2: Příprava datové sady
- Analýza a příprava dat
- Nástroje pro přípravu dat
- Demonstrace: Přehled Amazon SageMaker Studio a Notebooks
- Praktické cvičení: Příprava dat pomocí SageMaker Data Wrangler
Modul 3: Trénování modelu
- Kroky trénování modelu
- Výběr algoritmu
- Trénování modelu v Amazon SageMaker
- Praktické cvičení: Trénování modelu pomocí Amazon SageMaker
- Amazon CodeWhisperer
- Demonstrace: Amazon CodeWhisperer v SageMaker Studio Notebooks
Modul 4: Vyhodnocování a ladění modelu
- Vyhodnocování modelu
- Ladění modelu a optimalizace hyperparametrů
- Praktické cvičení: Ladění modelu a optimalizace hyperparametrů pomocí Amazon SageMaker
Modul 5: Nasazení modelu
- Nasazení modelu
- Praktické cvičení: Nasazení modelu na endpoint pro zpracování v reálném čase a generování predikce
Modul 6: Provozní výzvy
- Odpovědné ML
- Tým ML a MLOps
- Automatizace
- Monitorování
- Aktualizace modelů (testování a nasazení modelů)
Modul 7: Další nástroje pro tvorbu modelů
- Různé nástroje pro různé dovednosti a obchodní potřeby
- ML bez kódu pomocí Amazon SageMaker Canvas
- Demonstrace: Přehled Amazon SageMaker Canvas
- Amazon SageMaker Studio Lab
- Demonstrace: Přehled SageMaker Studio Lab
- (Volitelné) Praktické cvičení: Integrace webové aplikace s endpointem modelu Amazon SageMaker
Více od Amazon Web Services (AWS)
Advanced Architecting on AWS | Cloud
Advanced Architecting on AWS Jam Day | Cloud
Advanced Architecting on AWS with AWS Jam | Cloud
Advanced AWS Well-Architected Best Practices | Cloud
Advanced Generative AI Development on AWS | Cloud
Agentic AI Foundations | Cloud