Przyspiesz przygotowanie, budowanie, trenowanie, wdrażanie i monitorowanie rozwiązań ML przy użyciu Amazon SageMaker Studio.
Wykorzystaj narzędzia wchodzące w skład SageMaker Studio, aby zwiększyć produktywność na każdym etapie cyklu życia ML.
Poziom: Zaawansowany
Typ: Szkolenie stacjonarne (wirtualne i osobiste)
Czas trwania: 3 dni
Doświadczeni naukowcy danych, którzy mają biegłość w podstawach ML i głębokiego uczenia się.
Odpowiednie doświadczenie obejmuje korzystanie z frameworków ML, programowanie w Pythonie oraz proces budowania, trenowania, dostrajania i wdrażania modeli.
Dzień 1
Moduł 1: Konfiguracja Amazon SageMaker Studio
-
Rozszerzenia JupyterLab w SageMaker Studio
-
Demonstracja: Interfejs użytkownika SageMaker
Moduł 2: Przetwarzanie danych
-
Używanie SageMaker Data Wrangler do przetwarzania danych
-
Laboratorium praktyczne: Analiza i przygotowanie danych przy użyciu Amazon SageMaker Data Wrangler
-
Używanie Amazon EMR
-
Laboratorium praktyczne: Analiza i przygotowanie danych w skali przy użyciu Amazon EMR
-
Używanie interaktywnych sesji AWS Glue
-
Używanie SageMaker Processing z niestandardowymi skryptami
-
Laboratorium praktyczne: Przetwarzanie danych przy użyciu Amazon SageMaker Processing i SageMaker Python SDK
-
SageMaker Feature Store
-
Laboratorium praktyczne: Inżynieria cech przy użyciu SageMaker Feature Store
Moduł 3: Rozwój modeli
-
Zadania treningowe SageMaker
-
Wbudowane algorytmy
-
Własne skrypty
-
Własne kontenery
-
SageMaker Experiments
-
Laboratorium praktyczne: Używanie SageMaker Experiments do śledzenia iteracji treningu i strojenia modeli
Dzień 2
Moduł 3: Rozwój modeli (kontynuacja)
-
SageMaker Debugger
-
Laboratorium praktyczne: Analiza, wykrywanie i ustawianie alertów przy użyciu SageMaker Debugger
-
Automatyczne strojenie modeli
-
SageMaker Autopilot: Zautomatyzowane ML
-
Demonstracja: SageMaker Autopilot
-
Wykrywanie biasu
-
Laboratorium praktyczne: Używanie SageMaker Clarify do wykrywania biasu i wyjaśnialności
-
SageMaker Jumpstart
Moduł 4: Wdrażanie i inferencja
-
Rejestr modeli SageMaker
-
SageMaker Pipelines
-
Laboratorium praktyczne: Używanie SageMaker Pipelines i SageMaker Model Registry z SageMaker Studio
-
Opcje inferencji modeli SageMaker
-
Skalowanie
-
Strategie testowania, wydajność i optymalizacja
-
Laboratorium praktyczne: Inferencja z użyciem SageMaker Studio
Moduł 5: Monitorowanie
-
Amazon SageMaker Model Monitor
-
Dyskusja: Studium przypadku
-
Demonstracja: Monitorowanie modeli
Dzień 3
Moduł 6: Zarządzanie zasobami SageMaker Studio i aktualizacje
-
Koszty skumulowane i zamykanie zasobów
-
Aktualizacje
Projekt końcowy
-
Konfiguracja środowiska
-
Wyzwanie 1: Analiza i przygotowanie zestawu danych przy użyciu SageMaker Data Wrangler
-
Wyzwanie 2: Tworzenie grup cech w SageMaker Feature Store
-
Wyzwanie 3: Przeprowadzanie i zarządzanie treningiem modeli i strojeniem przy użyciu SageMaker Experiments
-
(Opcjonalnie) Wyzwanie 4: Używanie SageMaker Debugger do analizy wydajności treningu i optymalizacji modelu
-
Wyzwanie 5: Ocena modelu pod kątem biasu przy użyciu SageMaker Clarify
-
Wyzwanie 6: Przeprowadzanie predykcji wsadowych przy użyciu punktu końcowego modelu
-
(Opcjonalnie) Wyzwanie 7: Automatyzowanie pełnego procesu rozwoju modelu przy użyciu SageMaker Pipelines
Zalecamy, aby wszyscy uczestnicy ukończyli następujący kurs AWS przed przystąpieniem do tego kursu:
AWS Technical Essentials (1-dniowy kurs prowadzony przez instruktora AWS)
Zalecamy, aby uczestnicy, którzy nie są doświadczonymi naukowcami danych, ukończyli następujące dwa kursy, a następnie zdobyli 1 rok doświadczenia zawodowego w budowaniu modeli przed przystąpieniem do tego kursu:
The Machine Learning Pipeline on AWS (4-dniowy kurs prowadzony przez instruktora AWS)
Deep Learning on AWS (1-dniowy kurs prowadzony przez instruktora AWS)
Kurs jest oferowany w języku angielskim.
Regularnie aktualizujemy nasze kursy na podstawie opinii klientów oraz aktualizacji usług AWS. W związku z tym zawartość kursu może różnić się między językami podczas procesu lokalizacji tych aktualizacji.