AWS ML 스택 계층을 살펴보고 AWS 서비스를 사용하여 일반적인 비즈니스 문제를 해결하는 방법을 알아봅니다. 이 과정에서는 기계 학습 태스크에 Amazon SageMaker를 사용하는 방법과 적절한 모델을 선택하기 위한 전략을 검토하는 방법을 살펴봅니다.
또한 사전 훈련된 Amazon SageMaker JumpStart ML 솔루션의 특정 시나리오를 중점적으로 설명하고 비즈니스 요구 사항에 맞게 선택을 최적화하는 방법을 설명합니다. 그리고 사전 훈련된 Amazon Bedrock ML 솔루션을 위한 특정 애플리케이션을 조사하고 가장 적합한 기본 제공 솔루션을 식별합니다. 마지막으로, 모델 및 알고리즘 선택에서 해석 가능성의 중요성을 살펴봅니다.
- 과정 수준: 300
- 소요 시간: 1시간 30분
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
- 실습
- 지식 확인 질문
과정 목표
- AWS 기계 학습 스택 각 계층의 이점 및 사용 사례를 설명합니다.
- AWS 인공 지능(AI) 서비스가 일반적인 비즈니스 문제 해결에 어떻게 도움이 되는지 설명합니다.
- 일반적인 비즈니스 요구 사항을 해결하기 위한 AWS AI 서비스를 선택합니다.
- 기계 학습에 SageMaker를 사용할 때 얻을 수 있는 이점을 설명합니다.
- 기본 제공 SageMaker 알고리즘의 특정 사용 사례를 식별합니다.
- 일반적인 비즈니스 요구 사항을 해결하기 위한 가장 적합한 기계 학습 모델 알고리즘을 선택합니다.
- 사전 훈련된 SageMaker JumpStart 기계 학습 솔루션의 특정 사용 사례를 식별합니다.
- 일반적인 비즈니스 요구 사항을 해결하기 위한 가장 적합한 SageMaker JumpStart 기본 제공 기계 학습 솔루션을 선택합니다.
- 모델 또는 알고리즘 선택 시 해석 가능성이 수행하는 역할을 설명합니다.
- 일반적인 비즈니스 요구 사항을 해결하기 위한 가장 비용 효율적인 모델 또는 알고리즘을 선택합니다.
수강 대상
- 클라우드 아키텍트
- 기계 학습 엔지니어
권장 기술
- SageMaker 및 기타 AWS 서비스를 ML 엔지니어링에 사용한 1년 이상의 경험
- 백엔드 개발자, DevOps 개발자, 데이터 엔지니어 또는 데이터 과학자 등 관련 역할을 수행한 1년 이상의 경험
- Python 등 프로그래밍 언어에 대한 기본적인 이해
- AWS ML Engineer Associate 학습 플랜의 이전 과정 이수
과정 개요
- 섹션 1: 소개
- 강의 1: 본 과정 사용 방법
- 강의 2: 영역 2 소개
- 강의 3: 과정 개요
- 강의 4: 모델링 접근 방식 선택
- 섹션 2: 모델링 접근 방식
- 강의 5: AWS AI 서비스
- 강의 6: Amazon SageMaker 기본 제공 알고리즘
- 강의 7: Amazon SageMaker JumpStart ML 솔루션
- 강의 8: Amazon Bedrock ML 솔루션
- 강의 9: 모델 선택 고려 사항
- 섹션 3: 결론
- 강의 10: 과정 요약
- 강의 11: 평가
- 강의 12: AWS에 문의하기
