DANH SÁCH KHÓA HỌC / COURSE BY TECHNOLOGY VENDORS / AWS

The Machine Learning Pipeline on AWS

Tóm tắt khóa học:

Khóa học này khám phá cách sử dụng quy trình máy học lặp lại (ML) để giải quyết vấn đề kinh doanh thực tế trong môi trường học tập dựa trên dự án. Học viên sẽ tìm hiểu về từng giai đoạn của quy trình thông qua các bài thuyết trình và trình diễn của giảng viên, sau đó áp dụng kiến thức đó để hoàn thành dự án giải quyết một trong ba vấn đề kinh doanh: phát hiện gian lận, công cụ đề xuất hoặc chuyến bay bị hoãn. Đến cuối khóa học, học viên sẽ xây dựng, đào tạo, đánh giá, điều chỉnh và triển khai thành công một mô hình ML bằng Amazon SageMaker để giải quyết vấn đề kinh doanh đã chọn của họ. Những học viên có ít hoặc không có kinh nghiệm hoặc kiến thức về máy học sẽ được hưởng lợi từ khóa học này. Kiến thức cơ bản về Thống kê sẽ hữu ích.

Thời lượng khóa học: 1 Ngày

Nội dung khóa học:

Day 1

Module 0: Introduction

Pre-assessment

Module 1: Introduction to Machine Learning and the ML Pipeline

Overview of machine learning, including use cases, types of machine learning, and key concepts
Overview of the ML pipeline
Introduction to course projects and approach

Module 2: Introduction to Amazon SageMaker

Introduction to Amazon SageMaker
Demo: Amazon SageMaker and Jupyter notebooks
Hands-on: Amazon SageMaker and Jupyter notebooks

Module 3: Problem Formulation

Overview of problem formulation and deciding if ML is the right solution
Converting a business problem into an ML problem
Demo: Amazon SageMaker Ground Truth
Hands-on: Amazon SageMaker Ground Truth
Practice problem formulation
Formulate problems for projects

Day 2

Checkpoint 1 and Answer Review

Module 4: Preprocessing

Overview of data collection and integration, and techniques for data preprocessing and Visualization
Practice preprocessing
Preprocess project data
Class discussion about projects

Day 3

Checkpoint 2 and Answer Review

Module 5: Model Training

Choosing the right algorithm
Formatting and splitting your data for training
Loss functions and gradient descent for improving your model
Demo: Create a training job in Amazon SageMaker

Module 6: Model Evaluation

How to evaluate classification models
How to evaluate regression models
Practice model training and evaluation
Train and evaluate project models
Initial project presentations

Day 4

Checkpoint 3 and Answer Review

Module 7: Feature Engineering and Model Tuning

Feature extraction, selection, creation, and transformation
Hyperparameter tuning
Demo: SageMaker hyperparameter optimization
Practice feature engineering and model tuning
Apply feature engineering and model tuning to projects
Final project presentations

Module 8: Deployment

How to deploy, inference, and monitor your model on Amazon SageMaker
Deploying ML at the edge
Demo: Creating an Amazon SageMaker endpoint
Post-assessment
Course wrap-up