The Machine Learning Pipeline on AWS

Ten kurs jest przeznaczony dla:

• Programistów

• Architektów rozwiązań

• Inżynierów danych

• Osób, które mają niewielkie doświadczenie w zakresie uczenia maszynowego i chcą nauczyć się o pipeline ML przy użyciu Amazon SageMaker.

W tym kursie nauczysz się:

• Wybierać i uzasadniać odpowiednie podejście ML dla danego problemu biznesowego

• Używać pipeline ML do rozwiązania konkretnego problemu biznesowego

• Trenować, oceniać, wdrażać i dostrajać model ML przy użyciu Amazon SageMaker

• Opisywać najlepsze praktyki projektowania skalowalnych, zoptymalizowanych kosztowo i bezpiecznych pipeline'ów ML w AWS

• Stosować uczenie maszynowe do rozwiązania rzeczywistego problemu biznesowego po zakończeniu kursu.

Dzień 1
Moduł 0: Wprowadzenie

• Wstępna ocena

Moduł 1: Wprowadzenie do uczenia maszynowego i pipeline'u ML

• Przegląd uczenia maszynowego, w tym przypadki użycia, typy uczenia maszynowego oraz kluczowe pojęcia

• Przegląd pipeline'u ML

• Wprowadzenie do projektów kursowych i podejścia

Moduł 2: Wprowadzenie do Amazon SageMaker

• Wprowadzenie do Amazon SageMaker

• Demonstracja: Amazon SageMaker i Jupyter notebooks

• Ćwiczenia praktyczne: Amazon SageMaker i Jupyter notebooks

Moduł 3: Formułowanie problemu

• Przegląd formułowania problemu i decyzja, czy ML jest odpowiednim rozwiązaniem

• Przekształcanie problemu biznesowego w problem ML

• Demonstracja: Amazon SageMaker Ground Truth

• Ćwiczenia praktyczne: Amazon SageMaker Ground Truth

• Ćwiczenie: Formułowanie problemów do projektów

Dzień 2

• Sprawdzian 1 i przegląd odpowiedzi

Moduł 4: Przetwarzanie danych

• Przegląd zbierania danych, integracji oraz technik przetwarzania i wizualizacji danych

• Ćwiczenie: Przetwarzanie danych

• Przetwarzanie danych projektowych

• Dyskusja klasowa na temat projektów

Dzień 3

• Sprawdzian 2 i przegląd odpowiedzi

Moduł 5: Trenowanie modelu

• Wybór odpowiedniego algorytmu

• Formatowanie i dzielenie danych do trenowania

• Funkcje strat i gradientowy spadek jako techniki poprawy modelu

• Demonstracja: Tworzenie zadania treningowego w Amazon SageMaker

Moduł 6: Ewaluacja modelu

• Jak oceniać modele klasyfikacyjne

• Jak oceniać modele regresyjne

• Ćwiczenie: Trenowanie i ewaluacja modelu

• Trenowanie i ocena modeli projektowych

• Wstępne prezentacje projektów

Dzień 4

• Sprawdzian 3 i przegląd odpowiedzi

Moduł 7: Inżynieria cech i optymalizacja modelu

• Ekstrakcja cech, selekcja, tworzenie i transformacja

• Strojenie hiperparametrów

• Demonstracja: Optymalizacja hiperparametrów w SageMaker

• Ćwiczenie: Inżynieria cech i strojenie modelu

• Zastosowanie inżynierii cech i strojenie modelu do projektów

• Końcowe prezentacje projektów

Moduł 8: Wdrażanie

• Jak wdrożyć, przeprowadzać inferencję i monitorować model na Amazon SageMaker

• Wdrażanie ML na urządzeniach brzegowych

• Demonstracja: Tworzenie punktu końcowego w Amazon SageMaker

• Końcowa ocena

• Podsumowanie kursu.

Zalecamy, aby uczestnicy tego kursu mieli:

• Podstawową znajomość języka programowania Python

• Podstawowe zrozumienie infrastruktury chmurowej AWS (Amazon S3 i Amazon CloudWatch)

• Podstawowe doświadczenie w pracy w środowisku Jupyter notebook.

• Polski.