Dans ce cours, j'interviendrai aux côtés du Dr Denis Batalov, une des grandes figures mondiales dans le domaine du machine learning et de l'IA. Ensemble, nous vous montrerons comment mettre en place un pipeline de machine learning en utilisant AmazonSageMaker et AmazonSageMaker Ground Truth. Vous allez d'abord devoir créer un ensemble de données étiqueté, puis une tâche d'entraînement pour votre modèle de détection d'objets, et enfin, vous utiliserez AmazonSageMaker pour créer et mettre à jour votre modèle.
Public visé
Ce cours s'adresse aux personnes suivantes:
- Développeurs et scientifiques des données souhaitant créer des pipelines de machine learning avec AmazonSageMaker à l'aide du kit SDK Sagemaker et de Python
- Développeurs et les scientifiques des données souhaitant utiliser AmazonSageMaker GroundTruth pour créer leurs propres jeux de données étiquetés
Objectifs du cours
Dans ce cours, vous apprendrez à :
- Entraîner un modèle de machine learning à l'aide d'images étiquetées par AmazonSageMaker GroundTruth
- Utiliser AmazonSageMaker GroundTruth pour identifier l'emplacement exact d'abeilles sur des images spécifiques d'un jeu de données
- Entraîner le modèle de détection d'objets à l'aide des algorithmes intégrés d'AmazonSageMaker
- Utiliser une tâche de réglage automatique des hyper-paramètres pour trouver un ensemble optimal d'hyper-paramètres
Prérequis
Pour assister à ce cours, il est recommandé d'avoir les connaissances suivantes:
- Compréhension de base d'AmazonSageMaker (https://aws.amazon.com/sagemaker/)
- Compréhension de base de l'utilisation du langage de programmation Python avec diverses bibliothèques comme Pandas, NumPy, SageMaker et Boto3
Méthode d'apprentissage
Ce cours combine les méthodes d'apprentissage suivantes:
- Formation en ligne
Remarque : ce cours comporte des transcriptions ou des sous-titres localisés. La narration est en anglais.
Durée
70minutes
Déroulement du cours
Ce cours aborde les conceptssuivants:
- Téléchargement de données
- Exécution d'une tâche d'étiquetage
- Entraînement d'un modèle
- Déploiement d'un modèle
- Hyper-paramètres/réglage automatisé des modèles
- Examen des résultats de l'optimisation des hyper-paramètres
- Remplacement d'un modèle de production de machine learning
