In diesem Kurs wird Dr. Denis Batalov, ein weltweiter Leader im Bereich KI/ML-Technologie, zeigt Ihnen, wie Sie eine Machine Learning-Pipeline mit Amazon SageMaker und Amazon SageMaker Ground Truth implementieren. Zuerst erstellen Sie einen bezeichneten Datensatz, dann erstellen Sie eine Trainingsaufgabe, um Ihr Objekterkennungsmodell zu trainieren, und schließlich verwenden Sie Amazon SageMaker, um Ihr Modell zu erstellen und zu aktualisieren.
Zielgruppe
Dieser Kurs ist für folgende Zielgruppen konzipiert:
- Entwickler und Datenwissenschaftler, die mit Amazon SageMaker Machine Learning-Pipelines mittels Sagemaker SDK und Python erstellen möchten.
- Entwickler und Datenwissenschaftler, die Amazon SageMaker Ground Truth verwenden möchten, um ihre eigenen beschrifteten Datensätze zu erstellen.
Kursziele
Inhalte dieses Kurses:
- Ein Machine Learning-Modell mit Bildern, die von Amazon SageMaker Ground Truth beschriftet wurden, trainieren
- Amazon SageMaker Ground Truth verwenden, um die genaue Lag von Bienen auf einzelnen Bildern in einem Datensatz zu ermitteln
- Das Objekterkennungsmodell mit integrierten Algorithmen von Amazon SageMaker trainieren
- Einen automatisierten Hyperparameter-Tuning-Job verwenden, um einen optimalen Satz von Hyperparametern zu finden
Voraussetzungen
Wir empfehlen, dass die Teilnehmer an diesem Kurs die folgenden Voraussetzungen erfüllen:
- Ein grundlegendes Verständnis von Amazon SageMaker (https://aws.amazon.com/sagemaker/)
- Ein grundlegendes Verständnis der Python-Programmiersprache mit verschiedenen Bibliotheken wie Pandas, NumPy, SageMaker und Boto3
Lehrmethode
Dieser Kurs wird bereitgestellt als:
- Digitale Schulung
Hinweis: Dieser Kurs verfügt über lokalisierte Transkripte/Untertitel (e). Der Vortrag ist auf Englisch.
Dauer
70 Minuten
Kursinhalt
In diesem Kurs werden die folgenden Konzepte behandelt:
- Herunterladen von Daten
- Ausführen eines Beschriftungsjobs
- Trainieren eines Modells
- Bereitstellen eines Modells
- Hyperparameter/Automatisiertes Modelltuning
- Untersuchen der Ergebnisse der Hyperparameter-Optimierung
- Austausch eines Machine Learning-Produktionsmodells
