En este curso seguiremos al Dr. Denis Batalov, líder técnico mundial en IA/ML, quien nos mostrará cómo implementar una canalización de machine learning utilizando Amazon SageMaker y Amazon SageMaker Ground Truth. En primer lugar, crearás un conjunto de datos; luego, un trabajo de entrenamiento para entrenar tu modelo de detección de objetos y, finalmente, usarás Amazon SageMaker para crear y actualizar tu modelo.
Público objetivo
Este curso está dirigido al siguiente público:
- Desarrolladores y data scientists que quieran crear canalizaciones de machine learning con Amazon SageMaker mediante el SDK de Sagemaker y Python.
- Desarrolladores y data scientists que quieran usar Amazon SageMaker Ground Truth para crear sus propios conjuntos de datos etiquetados.
Objetivos del curso
En este curso, aprenderás a hacer lo siguiente:
- Entrenar un modelo de machine learning usando imágenes etiquetadas por Amazon SageMaker Ground Truth
- Usar Amazon SageMaker Ground Truth para identificar la ubicación exacta de abejas en imágenes individuales de un conjunto de datos
- Entrenar el modelo de detección de objetos con los algoritmos integrados en Amazon SageMaker
- Emplear un trabajo de ajuste automático hiperparametrado para encontrar un conjunto óptimo de hiperparámetros
Requisitos previos
Recomendamos que los asistentes a este curso tengan los siguientes requisitos previos:
- Conocimientos básicos de Amazon SageMaker (https://aws.amazon.com/sagemaker/)
- Conocimientos básicos del lenguaje de programación de Python con distintas bibliotecas como Pandas, NumPy, SageMaker y Boto3
Metodología del curso
Este curso se imparte mediante:
- Formación digital
Duración
- 70 minutos
Esquema del curso
Este curso cubre los siguientes conceptos:
- Descargar datos
- Ejecutar un trabajo de etiquetado
- Entrenar un modelo
- Implementar un modelo
- Hiperparámetros/ajuste de modelo automatizado
- Examinar los resultados de optimización de hiperparámetros
- Reemplazar un modelo de producción de machine learning
