Neste curso, acompanharemos o Dr. Denis Batalov, lÃder técnico global de IA/ML, em uma demonstração de como implementar um pipeline de machine learning usando o Amazon SageMaker e o Amazon SageMaker Ground Truth. Primeiro, você criará um conjunto de dados rotulado, em seguida, criará um trabalho de treinamento para treinar o seu modelo de detecção de objetos, e, por fim, usará o Amazon SageMaker para criar e atualizar o seu modelo.
 Público-alvoEste curso é destinado a:
- Desenvolvedores e cientistas de dados que desejam criar pipelines de machine learning com o Amazon SageMaker usando o SDK do Sagemaker e o python.
- Desenvolvedores e cientistas de dados que desejam usar o Amazon SageMaker Ground Truth para criar seus próprios conjuntos de dados rotulados.
Neste curso, você aprenderá a:
- Treinar um modelo de machine learning usando imagens rotuladas pelo Amazon SageMaker Ground Truth
- Usar o Amazon SageMaker Ground Truth para identificar a localização exata de abelhas em imagens disponÃveis em um conjunto de dados
- Treinar o modelo de detecção de objetos usando algoritmos incorporados do Amazon SageMaker
- Executar um trabalho de ajuste automatizado de hiperparâmetros para encontrar um conjunto ideal de hiperparâmetros
Recomendamos que os participantes do curso possuam os seguintes pré-requisitos:
- Uma compreensão básica do Amazon SageMaker (https://aws.amazon.com/sagemaker/)
- Uma compreensão básica da linguagem de programação Python utilizando diversas bibliotecas, como Pandas, NumPy, SageMaker e Boto3
Este curso é apresentado no seguinte formato:
- Treinamento digital
- 70 minutos
Este curso aborda os seguintes conceitos:
- Download de dados
- Execução de um trabalho de rotulagem
- Treinamento de um modelo
- Implantação de um modelo
- Hiperparâmetros/ajuste automatizado de modelos
- Exame dos resultados da otimização de hiperparâmetros
- Substituição de um modelo de produção de machine learning