이 과정은 기계 학습(ML) 수명 주기의 데이터 준비 단계 중 일부를 다룹니다. 이 과정에서는 데이터 유형을 인식하고, 효과적인 데이터와 비효과적인 데이터를 구별하고, 데이터를 시각화 및 분석하는 방법을 포함하여 데이터 기초에 대해 알아봅니다. Amazon Simple Storage Service(Amazon S3)와 같이 ML 프로세스 중에 사용되는 몇 가지 핵심 Amazon Web Services(AWS) 스토리지 서비스에 대해 알아봅니다. 이 과정에서는 특정 ML 요구 사항을 기반으로 가장 효과적인 AWS 스토리지 옵션과 데이터 형식을 선택하는 방법을 설명합니다. 마지막으로 Amazon Kinesis와 같이 데이터 수집, 추출, 병합을 지원하는 일부 AWS 서비스에 대해 자세히 알아봅니다.
- 과정 수준: 300
- 소요 시간: 60분
참고: 이 과정의 동영상에는 한국어 트랜스크립트 또는 자막이 지원되며 음성은 영어로 출력됩니다. 자막을 표시하려면 동영상 화면 우측 하단의 CC 버튼을 클릭하세요.
참고: 이 과정은 Google Chrome(최신 주요 버전 2개), Microsoft Edge(최신 주요 버전 2개), Safari(최신 주요 버전 2개)에 최적화되어 있습니다.
활동
- 온라인 자료
- 데모
- 지식 확인 질문
- 과정 평가
과정 목표
- 데이터 수집의 기초 사항을 설명합니다.
- 데이터 형식 및 수집 메커니즘을 정의합니다.
- 데이터를 시각화하는 다양한 방법을 설명합니다.
- 사용 사례 및 장단점을 포함하여 ML 데이터 수집을 위한 AWS 스토리지 옵션을 설명합니다.
- 비용, 성능, 데이터 구조를 기반으로 가장 효과적인 스토리지 옵션을 선택합니다.
- 데이터 액세스 패턴을 기반으로 ML 작업에 적합한 데이터 형식을 선택합니다.
- 데이터 수집을 위한 AWS 스트리밍 데이터 소스를 설명합니다.
- 데이터 전송을 지원하는 AWS 서비스를 사용하여 AWS 스토리지 서비스에서 데이터를 추출합니다.
- 여러 소스의 데이터를 병합하는 방법을 설명합니다.
- 용량 및 확장성과 관련된 데이터 수집 및 저장 문제의 원인을 식별합니다.
수강 대상
- 클라우드 아키텍트
- 기계 학습 엔지니어
권장 기술
- Amazon SageMaker 및 기타 AWS 서비스를 ML 엔지니어링에 사용한 1년 이상의 경험
- 백엔드 개발자, DevOps 개발자, 데이터 엔지니어, 데이터 과학자 등 관련 역할에서 1년 이상의 경험
- Python 등 프로그래밍 언어에 대한 기본적인 이해
- AWS ML Engineer Associate 학습 플랜의 이전 과정
과정 개요
- 섹션 1: 소개
- 강의 1: 본 과정 사용 방법
- 강의 2: 영역 1 소개
- 강의 3: 과정 개요
- 강의 4: 데이터 수집의 기초
- 섹션 2: 데이터 수집
- 강의 5: 데이터 유형
- 강의 6: 데이터 시각화 및 탐색적 데이터 분석
- 섹션 3: AWS 데이터 소스 및 서비스
- 강의 7: AWS 스토리지 옵션
- 강의 8: 스토리지 선택
- 섹션 4: 데이터 수집, 추출 및 병합
- 강의 9: 데이터 수집
- 강의 10: 데이터 추출
- 강의 11: 데이터 병합
- 강의 12: 데이터 수집 및 저장 문제 해결
- 섹션 5: 마무리
- 강의 13: 과정 요약
- 강의 14: 평가
- 강의 15: AWS에 문의하기
