Amazon SageMaker Studio for Data Scientists (MLASMS)

Cloud
Strojově přeloženo

Amazon SageMaker Studio pomáhá datovým vědcům rychle připravovat, sestavovat, trénovat, nasazovat a monitorovat modely strojového učení (ML). Dosahuje toho spojením široké sady funkcí účelově navržených pro ML. Tento kurz připravuje zkušené datové vědce na používání nástrojů, které jsou součástí SageMaker Studio, včetně rozšíření Amazon CodeWhisperer a Amazon CodeGuru Security scan, ke zvýšení produktivity v každém kroku životního cyklu ML.

  • Úroveň kurzu: Pokročilá
  • Délka trvání: 3 dny


Aktivity

Tento kurz zahrnuje prezentace, praktická cvičení, ukázky, diskuse a závěrečný projekt.


Cíle kurzu

V tomto kurzu se naučíte:

  • Urychlit proces přípravy, sestavování, trénování, nasazování a monitorování ML řešení pomocí Amazon SageMaker Studio


Cílová skupina

Tento kurz je určen pro:

  • Zkušené datové vědce, kteří ovládají základy ML a hlubokého učení


Předpoklady

Doporučujeme, aby všichni účastníci tohoto kurzu měli:

  • Zkušenosti s používáním ML frameworků
  • Zkušenosti s programováním v jazyce Python
  • Alespoň 1 rok zkušeností jako datový vědec odpovědný za trénování, ladění a nasazování modelů
  • Digitální nebo prezenční školení AWS Technical Essentials


Osnova kurzu

Den 1

Modul 1: Nastavení Amazon SageMaker Studio

  • Rozšíření JupyterLab v SageMaker Studio
  • Ukázka: Demo uživatelského rozhraní SageMaker

Modul 2: Zpracování dat

  • Použití SageMaker Data Wrangler pro zpracování dat
  • Praktické cvičení: Analýza a příprava dat pomocí Amazon SageMaker Data Wrangler
  • Použití Amazon EMR
  • Praktické cvičení: Analýza a příprava dat ve velkém měřítku pomocí Amazon EMR
  • Použití interaktivních relací AWS Glue
  • Použití SageMaker Processing s vlastními skripty
  • Praktické cvičení: Zpracování dat pomocí Amazon SageMaker Processing a SageMaker Python SDK
  • SageMaker Feature Store
  • Praktické cvičení: Feature engineering pomocí SageMaker Feature Store

Modul 3: Vývoj modelů

  • Trénovací úlohy SageMaker
  • Vestavěné algoritmy
  • Použití vlastního skriptu
  • Použití vlastního kontejneru
  • SageMaker Experiments
  • Praktické cvičení: Použití SageMaker Experiments ke sledování iterací trénování a ladění modelů


Den 2

Modul 3: Vývoj modelů (pokračování)

  • SageMaker Debugger
  • Praktické cvičení: Analýza, detekce a nastavení upozornění pomocí SageMaker Debugger
  • Automatické ladění modelů
  • SageMaker Autopilot: Automatizované ML
  • Ukázka: SageMaker Autopilot
  • Detekce zkreslení
  • Praktické cvičení: Použití SageMaker Clarify pro detekci zkreslení a vysvětlitelnost
  • SageMaker Jumpstart

Modul 4: Nasazení a inference

  • SageMaker Model Registry
  • SageMaker Pipelines
  • Praktické cvičení: Použití SageMaker Pipelines a SageMaker Model Registry se SageMaker Studio
  • Možnosti inference modelů SageMaker
  • Škálování
  • Strategie testování, výkon a optimalizace
  • Praktické cvičení: Inference pomocí SageMaker Studio

Modul 5: Monitorování

  • Amazon SageMaker Model Monitor
  • Diskuse: Případová studie
  • Ukázka: Monitorování modelů


Den 3

Modul 6: Správa zdrojů a aktualizací SageMaker Studio

  • Naběhlé náklady a vypnutí
  • Aktualizace

Závěrečný projekt

  • Nastavení prostředí
  • Výzva 1: Analýza a příprava datové sady pomocí SageMaker Data Wrangler
  • Výzva 2: Vytvoření skupin příznaků v SageMaker Feature Store
  • Výzva 3: Provádění a správa trénování a ladění modelů pomocí SageMaker Experiments
  • (Volitelné) Výzva 4: Použití SageMaker Debugger pro optimalizaci výkonu trénování a modelů
  • Výzva 5: Vyhodnocení modelu z hlediska zkreslení pomocí SageMaker Clarify
  • Výzva 6: Provádění dávkových predikcí pomocí koncového bodu modelu
  • (Volitelné) Výzva 7: Automatizace celého procesu vývoje modelu pomocí SageMaker Pipeline