Overview

이 과정에서는 모델 훈련 프로세스의 핵심 요소를 살펴보고 특정 훈련 요구 사항에 가장 적합한 컴퓨팅 환경을 선택하는 방법을 학습합니다. 모델을 개발하고 훈련시키는데 효율적인 방법을 제공하는 Amazon SageMaker와 사전 빌드된 딥 러닝 프레임워크 Docker 컨테이너 및 ML 라이브러리 Docker 이미지를 살펴봅니다.

또한 SageMaker 기본 제공 알고리즘과 라이브러리를 사용하여 기계 학습 모델을 개발하는 실무 경험을 쌓을 수 있습니다. 또한 Apache MXNet, TensorFlow 및 PyTorch와 같은 널리 사용되는 프레임워크를 지원하는 SageMaker 스크립트 모드를 사용하는 방법도 학습합니다. 이 과정을 통해 이러한 강력한 도구와 프레임워크를 사용하여 강력하고 정확한 모델을 빌드할 수 있는 지식과 기술을 익힐 수 있습니다.

또한 기계 학습 워크플로의 전체 성능 및 효율성을 최적화하는 데 중요한 측면인 모델 훈련 시간을 줄이기 위한 다양한 기법을 학습합니다. 이 과정을 마치면 모델 훈련 프로세스를 이해하게 됩니다. 마지막으로 특정 사용 사례에 적합한 컴퓨팅 환경, 프레임워크 및 최적화 전략을 선택할 때 정보에 입각한 결정을 내리는 방법을 학습합니다.

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

모델 훈련 프로세스의 핵심 요소를 정의합니다.
특정 요구 사항을 기반으로 훈련에 가장 적합한 컴퓨팅 환경을 선택합니다.
SageMaker 사전 빌드된 딥 러닝 프레임워크 Docker 컨테이너를 식별합니다.
SageMaker 사전 빌드된 ML 라이브러리 Docker 이미지를 식별합니다.
SageMaker 기본 제공 ML 알고리즘과 라이브러리를 사용하여 ML 모델을 개발합니다.
Amazon SageMaker Studio를 사용하여 ML 모델을 개발합니다.
SageMaker 스크립트 모드 및 Apache MXNet, TensorFlow, PyTorch와 같은 지원되는 프레임워크를 사용하여 ML 모델을 개발합니다.
모델 훈련 시간을 줄이는 일반적인 방법을 설명합니다.
외부 모델을 SageMaker에 통합하는 방법을 설명합니다.

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
Python과 같은 프로그래밍 언어에 대한 기본적인 이해
AWS ML Engineer Associate 학습 플랜의 이전 과정 완료

과정 개요

섹션 1: 소개
- 강의 1: 본 과정 사용 방법
- 강의 2: 과정 개요
- 강의 3: 모델 훈련 개념
섹션 2: 컴퓨팅 환경
- 강의 4: 컴퓨팅 환경 선택
- 강의 5: AWS 컨테이너 서비스
섹션 3: 모델 훈련
- 강의 6: Amazon SageMaker 콘솔을 사용하여 훈련 작업 만들기
- 강의 7: SageMaker 기본 제공 알고리즘을 사용하여 모델 훈련
- 강의 8: SageMaker 스크립트 모드를 사용하여 모델 훈련
- 강의 9: 훈련 시간을 줄이는 방법
섹션 4: 외부 모델
- 강의 10: SageMaker에 외부 모델 통합
섹션 5: 결론
- 강의 11: 과정 요약
- 강의 12: 평가
- 강의 13: AWS에 문의하기