Practical Data Science with Amazon SageMaker (MLPDSS)

Cloud
Strojově přeloženo

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