本领域的第二门课程将探讨如何为机器学习 (ML) 解决方案构建基础设施并编写脚本，重点探讨可维护性、可扩展性和成本效益。您将了解基础设施即代码 (IaC)，了解如何以编程方式创建、部署和管理基础设施。此外，您还将了解如何使用 AWS Cloud Development Kit (AWS CDK) 之类的工具编写代码来定义云基础设施，以及如何通过 AWS CloudFormation 自动进行预置。本课程还涵盖了用于在 AWS 云中部署 ML 模型的 Amazon SageMaker Python SDK。您还将了解如何使用容器来支持您的 DevOps 工作，并了解管理和托管容器的 Amazon Web Services (AWS) 服务。最后，您将查看并了解用于优化应用程序性能的自动扩缩方法。
- 课程级别：高级
- 时长：1 小时 30 分钟
活动
- 线上资料
- 练习
- 知识考核问题
课程目标
- 描述创建可维护、可扩展和具有成本效益的 ML 解决方案的最佳实践。
- 描述 IaC 的优势和使用案例。
- 描述 CloudFormation（作为一种自动预置资源的方法）。
- 描述 AWS CDK（作为一种自动预置资源的方法）。
- 描述使用适用于 AWS CDK 和 CloudFormation 的代码部署资源的示例。
- 比较和对比 AWS CDK 和 CloudFormation 在自动预置资源方面的情况。
- 描述如何构建和维护容器。
- 解释容器化概念和 AWS 容器服务。
- 使用 Amazon SageMaker SDK 部署和托管 ML 模型。
- 根据主要优势选择自动扩缩部署指标。
- 描述如何使用 SageMaker 终端节点自动扩缩策略来满足可扩展性要求。
培训对象
- 云架构师
- 机器学习工程师
建议具备的技能
- 拥有至少 1 年使用 SageMaker 和其他 AWS 服务进行 ML 工程工作的经验
- 拥有至少 1 年相关职位（例如后端软件开发人员、DevOps 开发人员、数据工程师或数据科学家）的工作经验
- 对 Python 等编程语言有基本的了解
- 已完成 AWS ML Engineer Associate 学习路径中的前几门课程
课程大纲
- 第 1 部分：简介
o 第 1 课：如何学习本课程
o 第 2 课：课程概览
o 第 3 课：AWS 机器学习部署最佳实践
- 第 2 部分：预置资源的方法
o 第 4 课：基础设施即代码
o 第 5 课：使用 AWS CloudFormation
o 第 6 课：使用 AWS CDK
o 第 7 课：比较 AWS CloudFormation 和 AWS CDK
- 第 3 部分：部署和托管模型
o 第 8 课：Amazon SageMaker Python SDK
o 第 9 课：构建和维护容器
o 第 10 课：自动扩缩推理基础设施
- 第 4 部分：总结
o 第 11 课：课程总结
o 第 12 课：评估
o 第 13 课：联系我们
