Neste curso, você se aprofundará nos principais elementos do processo de treinamento do modelo e aprenderá a selecionar o ambiente computacional mais adequado para seus requisitos específicos de treinamento. Você explorará a solução Amazon SageMaker e os contêineres pré-criados do Docker do framework de aprendizado profundo e as imagens do docker da biblioteca de ML que oferecem uma maneira eficiente de desenvolver e treinar seus modelos.
Além disso, você ganhará experiência prática no desenvolvimento de modelos de machine learning com o uso dos algoritmos e bibliotecas integrados da solução SageMaker. Você também aprenderá a usar o modo script da solução SageMaker que oferece suporte a frameworks populares como Apache MXNet, TensorFlow e PyTorch. Este curso fornecerá o conhecimento e as habilidades para usar essas ferramentas e frameworks poderosos para criar modelos robustos e precisos.
Além disso, você aprenderá os detalhes sobre várias técnicas para reduzir o tempo de treinamento do modelo, que é um aspecto fundamental para otimizar o desempenho geral e a eficiência de seus fluxos de trabalho de machine learning. Ao final deste curso, você entenderá o processo de treinamento do modelo. Por fim, você aprenderá a tomar decisões fundamentadas ao selecionar o ambiente computacional, frameworks e estratégias de otimização corretos para seus casos de uso específicos.
- Nível do curso: 300
- Duração: 1h30
Atividades
- Materiais on-line
- Exercícios
- Perguntas de teste de conhecimento
Objetivos do curso
- Definir os elementos principais no processo de treinamento do modelo.
- Selecionar o melhor ambiente computacional para treinamento de acordo com requisitos específicos.
- Identificar os contêineres pré-criados do Docker do framework de aprendizado profundo da solução SageMaker.
- Identificar as imagens pré-criadas do Docker da biblioteca de ML da solução SageMaker.
- Desenvolver modelos de ML com o uso de algoritmos e bibliotecas de ML integrados da solução SageMaker.
- Desenvolver modelos de ML com o uso da solução Amazon SageMaker Studio.
- Desenvolver modelos de ML com o uso do modo script da solução SageMaker e frameworks compatíveis, como Apache MXNet, TensorFlow e PyTorch.
- Descrever métodos comuns para reduzir o tempo de treinamento do modelo.
- Descrever como integrar modelos externos com a solução SageMaker.
Público-alvo
- Arquitetos de nuvem
- Engenheiros de machine learning
Habilidades recomendadas
- Ter pelo menos um ano de experiência com o uso da solução SageMaker e outros serviços da AWS para engenharia de ML
- Ter pelo menos um ano de experiência em uma função relacionada, como desenvolvedor de software de back-end, desenvolvedor de DevOps, engenheiro de dados ou cientista de dados
- Ter compreensão fundamental de linguagens de programação, como Python
- Ter concluído os cursos anteriores no plano de aprendizado AWS ML Engineer Associate.
Conteúdo do curso
- Seção 1: Introdução
o Lição 1: Como usar este curso
o Lição 2: Visão geral do curso
o Lição 3: Conceitos de treinamento do modelo
- Seção 2: Ambientes computacionais
o Lição 4: Seleção do ambiente computacional
o Lição 5: AWS Container Services
- Seção 3: Treinamento de um modelo
o Lição 6: Criação de um trabalho de treinamento com o uso do console da solução Amazon SageMaker
o Lição 7: Treinamento de um modelo com o uso de um algoritmo integrado da solução SageMaker
o Lição 8: Treinamento de um modelo com o uso do modo script da solução SageMaker
o Lição 9: Métodos para reduzir o tempo de treinamento
- Seção 4: Modelos externos
o Lição 10: Integração de modelos externos com a solução SageMaker
- Seção 5: Conclusão
o Lição 11: Resumo do curso
o Lição 12: Avaliação
o Lição 13: Entrar em contato conosco