借助 Amazon SageMaker Canvas，数据和业务分析师可以准备数据、训练和部署机器学习 (ML) 模型，而无需任何 ML 经验或编写任何代码。您将学习在不具备深入的 ML 知识的情况下，为表格和时间序列数据构建 ML 模型。您还可以借助四个实验来练习您在课程中学到的内容。
您还将学习使用 Amazon 和其他模型提供商的基础模型，以便支持生成式人工智能使用案例，例如文本生成、文本摘要和使用检索增强生成 (RAG) 进行聊天。
完成本课程后，您将能够构建和训练高度准确的模型，并使用批量推理生成预测。您还可以将模型共享给数据科学家，以便进行深入分析并将其部署到贵公司的 ML 运营管道中。
- 课程级别：中级
- 时长：10.5 小时
课程内容
本课程包括在线学习互动、知识考核和后续演示。
课程目标
在本课程中，您将学习如何：
- 描述基本的机器学习 (ML) 概念和技术。
- 确定 ML 生命周期及其阶段。
- 描述 ML 可以解决的问题类型。
- 确定构建 ML 模型的步骤。
- 描述用于衡量模型预测准确率的指标。
- 说明如何使用 Amazon SageMaker Canvas 将原始数据转换为训练数据集。
- 描述如何生成数据见解并了解数据质量。
- 确定如何使用可视化工具发现数据中的潜在错误和极值。
- 描述 SageMaker Canvas 使用 AutoML 构建模型的能力。
- 使用 SageMaker Canvas 启动模型训练作业并跟踪其进度。
- 描述性能报告中提供的模型质量指标。
- 部署模型并进行预测。
- 使用 SageMaker Canvas 基础模型 (FM) 用户界面 (UI) 进行文本生成、文本摘要和模型比较。
- 使用 RAG 和微调技术来识别和应对基础模型输出方面的挑战。
- 描述使用 Amazon SageMaker Canvas 时应遵循的最佳实践。
培训对象
本课程面向：
- 数据分析师
- 非 ML 领域的研究人员
- 运筹分析师
- 初级数据科学家
前提条件
我们建议本课程的参加者符合以下条件：
- 具有分析、清理和转换表格或时间序列数据的经验
- 对统计测量和回归有基本的了解
- AWS Technical Essentials 课程
如果您刚刚开始接触生成式人工智能，建议您学习以下课程：
- Introduction to Generative AI – Art of the Possible
- Planning a Generative AI Project
课程大纲
模块 1：机器学习简介
如何学习本课程
ML 简介
- ML 基本知识
- ML 可以解决的问题类型
- ML 生命周期
- 处理数据并从数据中获取见解时面临的挑战
构建和评估模型
- 模型构建简介
- 模型评估
- 提高模型性能
- 模型训练选项
总结
- 知识考核
- 结语
模块 2：数据分析和准备
如何学习本课程
Amazon SageMaker Canvas 简介
- Amazon SageMaker Canvas
- 分析数据
- 快速模型分析
数据准备
- 转换数据
- 导出数据和数据流
总结
- 知识考核
- 结语
实验 1：Amazon SageMaker Canvas – 表格数据使用案例
实验 2：Amazon SageMaker Canvas – 时间序列数据集使用案例
模块 3：使用 SageMaker Canvas 构建模型
如何学习本课程
深入讨论 Sagemaker Canvas
- 关于在 SageMaker Canvas 中构建模型的简介
- 用于在 SageMaker Canvas 中构建模型的高级选项
- 在 SageMaker Canvas 中评估模型
- 在 SageMaker Canvas 中进行预测和部署模型
总结
- 知识考核
- 结语
实验 3：使用 Amazon SageMaker Canvas 构建自定义模型
实验 4：无代码 ML 顶点实验
模块 4：SageMaker Canvas 生成式人工智能
如何学习本课程
SageMaker Canvas 中的基础模型
- Amazon SageMaker Canvas 生成人工智能
- SageMaker Canvas 基础模型
- 比较基础模型
缓解 SageMaker Canvas 中基础模型的问题
- 模型幻觉
- 检索增强生成 (RAG)
- 微调基础模型
总结
- 知识考核
- 结语
模块 5：SageMaker Canvas 最佳实践
如何学习本课程
最佳实践
- 获取 SageMaker Canvas 访问权限
- 更新 SageMaker Canvas 版本
- 节省 SageMaker Canvas 的使用成本
总结
- 结语
关键词
- GenAI
- 生成式人工智能
