AWS-ASM
Új Practical Data Science with Amazon SageMaker
Ismertető
A tanfolyam során valós ML példákon keresztül tanuljuk meg az Amazon SageMaker hatékony használatát. Végigmegyünk a tipikus data science folyamat szakaszain egy adathalmaz elemzésétől és vizualizálásától az adat-előkészítésig és feature-ök tervezéséig. Megismerkedünk továbbá a modellépítés, -betanítás, -finomhangolás és -telepítés praktikus szempontjaival az Amazon SageMaker használatának segítségével.
Mit fogsz elsajátítani a képzés során?
- Adatállományok tanulásra való előkészítése
- ML modellek betanítása és értékelése
- ML modell automatikus finomhangolása
- ML modell termelésre való előkészítése
- Kritikus gondolkodás az ML által előállított modellekről
Kinek ajánljuk?
A tanfolyamot fejlesztők és data scientist-ek számára ajánljuk.
Tematika
Module 1: Introduction to machine learning
Types of ML
Job Roles in ML
Steps in the ML pipeline
Module 2: Introduction to data prep and SageMaker
Training and test dataset defined
Introduction to SageMaker
Demonstration: SageMaker console
Demonstration: Launching a Jupyter notebook
Module 3: Problem formulation and dataset preparation
Business challenge: Customer churn
Review customer churn dataset
Module 4: Data analysis and visualization
Demonstration: Loading and visualizing your dataset
Exercise 1: Relating features to target variables
Exercise 2: Relationships between attributes
Demonstration: Cleaning the data
Module 5: Training and evaluating a model
Types of algorithms
XGBoost and SageMaker
Demonstration: Training the data
Exercise 3: Finishing the estimator definition
Exercise 4: Setting hyper parameters
Exercise 5: Deploying the model
Demonstration: hyper parameter tuning with SageMaker
Demonstration: Evaluating model performance
Module 6: Automatically tune a model
Automatic hyper parameter tuning with SageMaker
Exercises 6-9: Tuning jobs
Module 7: Deployment / production readiness
Deploying a model to an endpoint
A/B deployment for testing
Auto Scaling
Demonstration: Configure and test auto scaling
Demonstration: Check hyper parameter tuning job
Demonstration: AWS Auto Scaling
Exercise 10-11: Set up AWS Auto Scaling
Module 8: Relative cost of errors
Cost of various error types
Demo: Binary classification cutoff
Module 9: Amazon SageMaker architecture and features
Accessing Amazon SageMaker notebooks in a VPC
Amazon SageMaker batch transforms
Amazon SageMaker Ground Truth Amazon SageMaker Neo
Szükséges előképzettség
A tanfolyam elvégzéséhez szükséges a Python programozási nyelv, illetve a Machine Learning fogalmának alapvető ismerete.
Merre tovább?
A képzés elvégzése után az Amazon SageMaker Studio for Data Scientists tanfolyamot ajánljuk.