Exam Prep: AWS Certified Machine Learning Engineer – Associate (MLPMLA)

Cloud
Strojově přeloženo

Exam Prep: AWS Certified Machine Learning Engineer – Associate (MLA-C01) je jednodenní prezenční školení (ILT), ve kterém se naučíte, jak posoudit svou připravenost na zkoušku AWS Certified Machine Learning Engineer - Associate (MLA-C01). Zkouška ověřuje schopnost kandidáta navrhovat, provozovat a udržovat řešení a pipeline strojového učení (ML) s využitím cloudu AWS.

Tento kurz střední úrovně vás připraví na zkoušku AWS Certified Machine Learning Engineer - Associate (MLA-C01) prostřednictvím komplexního prozkoumání témat zkoušky. Podrobně se seznámíte s klíčovými oblastmi, které zkouška pokrývá, a pochopíte jejich vztah k vývoji řešení umělé inteligence a strojového učení na platformě AWS. Prostřednictvím podrobných výkladů a rozborů otázek ve stylu zkouškových testů si upevníte své znalosti, identifikujete mezery ve svém porozumění a získáte cenné strategie pro efektivní řešení otázek. Kurz zahrnuje přezkoumání vzorových otázek ve stylu zkouškových testů, které vám pomohou rozpoznat nesprávné odpovědi a zdokonalit vaše testovací dovednosti. Po absolvování kurzu budete mít pevné znalosti konceptů a praktických aplikací testovaných v rámci zkoušky AWS Certified Machine Learning Engineer - Associate (MLA-C01).

Úroveň kurzu: Střední

Délka trvání: 1 den


Aktivity

Kurz zahrnuje prezentace přehledu témat, otázky ve stylu zkouškových testů, případové studie a skupinové diskuse a aktivity.


Cíle kurzu

V tomto kurzu se naučíte:

  • Identifikovat rozsah a obsah testovaný zkouškou AWS Certified Machine Learning Engineer - Associate (MLA-C01).
  • Procvičovat otázky ve stylu zkouškových testů a vyhodnocovat svou strategii přípravy.
  • Zkoumat případové studie a rozlišovat mezi nimi.


Cílová skupina

Tento kurz je určen osobám, které se připravují na zkoušku AWS Certified Machine Learning Engineer - Associate (MLA-C01).


Předpoklady

Před absolvováním tohoto kurzu není nutné absolvovat žádné konkrétní školení. Před přistoupením ke zkoušce AWS Certified Machine Learning Engineer - Associate (MLA-C01) jsou však doporučeny následující předchozí znalosti.

Obecné znalosti v oblasti IT

Účastníkům se doporučuje mít následující:

  • Doporučuje se 1 rok zkušeností v příbuzné roli, jako je vývojář backendového softwaru, DevOps vývojář, datový inženýr nebo datový vědec.
  • Základní znalost běžných algoritmů ML a jejich případů použití
  • Základy datového inženýrství, včetně znalosti běžných datových formátů, příjmu a transformace dat pro práci s ML datovými pipeline
  • Znalost dotazování a transformace dat
  • Znalost osvědčených postupů softwarového inženýrství pro vývoj modulárního a opakovaně použitelného kódu, jeho nasazení a ladění
  • Znalost zřizování a monitorování cloudových a lokálních ML zdrojů
  • Zkušenosti s pipeline průběžné integrace a průběžného doručování (CI/CD) a infrastrukturou jako kódem (IaC)
  • Zkušenosti s repozitáři kódu pro správu verzí a pipeline CI/CD

Doporučené znalosti AWS

Účastníkům se doporučuje být schopni provádět následující:

  • Doporučuje se 1 rok zkušeností s používáním Amazon SageMaker AI a dalších služeb AWS pro ML inženýrství.
  • Znalost možností a algoritmů Amazon SageMaker AI pro tvorbu a nasazení modelů
  • Znalost služeb AWS pro ukládání a zpracování dat při přípravě dat pro modelování
  • Znalost nasazování aplikací a infrastruktury na AWS
  • Znalost nástrojů pro monitorování, protokolování a odstraňování problémů v ML systémech
  • Znalost služeb AWS pro automatizaci a orchestraci pipeline CI/CD
  • Znalost osvědčených bezpečnostních postupů AWS v oblasti správy identit a přístupu, šifrování a ochrany dat


Osnova kurzu

Úvod

Oblast 1: Příprava dat pro strojové učení (ML)

  • 1.1 Příjem a ukládání dat.
  • 1.2 Transformace dat a příprava příznaků (feature engineering).
  • 1.3 Zajištění integrity dat a příprava dat pro modelování.

Oblast 2: Vývoj ML modelů

  • 2.1 Volba přístupu k modelování.
  • 2.2 Trénování a zdokonalování modelů.
  • 2.3 Analýza výkonu modelu.

Oblast 3: Nasazení a orchestrace ML workflow

  • 3.1 Výběr infrastruktury pro nasazení na základě stávající architektury a požadavků.
  • 3.2 Vytváření a skriptování infrastruktury na základě stávající architektury a požadavků.
  • 3.3 Použití automatizovaných nástrojů pro orchestraci k nastavení pipeline průběžné integrace a průběžného doručování (CI/CD).

Oblast 4: Monitorování, údržba a zabezpečení ML řešení

  • 4.1 Monitorování inference modelu.
  • 4.2 Monitorování a optimalizace nákladů na infrastrukturu.
  • 4.3 Zabezpečení zdrojů AWS.

Dokončení kurzu