Trong khóa học này, chúng ta sẽ đồng hành cùng Tiến sĩ Denis Batalov, Nhà lãnh đạo phụ trách mảng kỹ thuật về Trí tuệ nhân tạo/Máy học trên toàn thế giới. Tiến sĩ sẽ hướng dẫn các bạn cách thực hiện một quy trình máy học sử dụng Amazon SageMaker và Amazon SageMaker Ground Truth. Trước tiên, bạn sẽ tạo một tập dữ liệu được gắn nhãn. Sau đó, bạn sẽ tạo một tác vụ đào tạo để đào tạo mô hình phát hiện đối tượng của mình. Cuối cùng, bạn sẽ sử dụng Amazon SageMaker để tạo và cập nhật mô hình của mình.
Lưu ý: Khóa học này có bản chuyển lời thoại/phụ đề đã được bản địa hóa. Nội dung tường thuật bằng tiếng Anh.
Đối tượng mục tiêuKhóa học này dành cho:
- Các nhà phát triển và nhà khoa học dữ liệu muốn tạo ra các quy trình máy học với Amazon SageMaker bằng cách sử dụng Sagemaker SDK và python.
- Các nhà phát triển và nhà khoa học dữ liệu muốn sử dụng Amazon SageMaker Ground Truth để tạo ra các tập dữ liệu (được gắn nhãn) riêng của mình.
Trong khóa học này, bạn sẽ tìm hiểu cách:
- Đào tạo mô hình máy học bằng hình ảnh được Amazon SageMaker Ground Truth gắn nhãn
- Sử dụng Amazon SageMaker Ground Truth để xác định vị trí chính xác của ong trên từng hình ảnh trong một tập dữ liệu
- Đào tạo mô hình phát hiện đối tượng bằng các thuật toán sẵn có của Amazon SageMaker
- Sử dụng tác vụ điều chỉnh siêu tham số tự động để tìm một tập hợp các siêu tham số tối ưu
Học viên tham gia khóa học này cần đáp ứng các điều kiện tiên quyết sau:- Hiểu biết cơ bản về Amazon SageMaker (https://aws.amazon.com/sagemaker/)- Hiểu biết cơ bản về ngôn ngữ lập trình python với các thư viện khác nhau như Pandas, NumPy, SageMaker, và Boto3
Phương pháp giảng dạyKhóa học này được cung cấp dưới hình thức:
- Đào tạo kỹ thuật số
70 phút
Đề cương khóa họcKhóa học này cung cấp các khái niệm sau:
- Tải dữ liệu xuống
- Chạy tác vụ gắn nhãn
- Đào tạo mô hình
- Triển khai mô hình
- Điều chỉnh mô hình tự động/siêu tham số
- Kiểm tra kết quả tối ưu hóa siêu tham số
- Thay thế mô hình sản xuất máy học
