AWS ML Engineer Associate 2.3 Refine Models (Português)

Depois de 28 de março, os títulos dos cursos estarão somente em inglês. No entanto, as descrições dos cursos permanecerão disponíveis no idioma de sua preferência para permitir que você pesquise nesse idioma.

Neste curso, você aprenderá a refinar os modelos de machine learning (ML). Você começa analisando os métodos de mitigação de viés e desempenho do modelo e aprende como evitar o sobreajuste e o subajuste do modelo. Em seguida, você descobrirá como combinar métodos para melhorar o desempenho do modelo e como usar o ajuste de hiperparâmetros para produzir resultados otimizados do modelo.

Você também examinará as variações do tamanho e do controle de versão do modelo e explorará como os serviços do Amazon SageMaker podem ajudar no processo de refinamento do modelo. 

• Nível do curso: 300
• Duração: 2 horas

Observação: Este curso tem transcrições/legendas traduzidas. A narração está em inglês. Para exibir as legendas, clique no botão CC no canto inferior direito do player.

Atividades

• Materiais on-line
• Exercícios
• Perguntas de teste de conhecimento

Objetivos do curso

• Defina e interprete as métricas de avaliação do modelo, como viés e variância do modelo.
• Descreva os métodos para detectar o sobreajuste e o subajuste do modelo.
• Use técnicas de regularização e seleção de recursos para evitar o sobreajuste e o subajuste do modelo.
• Combine vários modelos de treinamento por meio de métodos conjuntos, como reforço, ensacamento e empilhamento, para melhorar o desempenho do modelo.
• Explique como os hiperparâmetros afetam o desempenho do modelo.
• Defina as principais técnicas de ajuste de hiperparâmetros.
• Execute a otimização automatizada de hiperparâmetros para melhorar o desempenho do modelo.
• Identifique os principais fatores que influenciam o tamanho do modelo.
• Reduza o tamanho do modelo usando a eliminação iterativa do modelo.
• Use conjuntos de dados personalizados para ajustar modelos pré-treinados usando o Amazon SageMaker JumpStart e o Amazon Bedrock.
• Use técnicas de regularização e seleção de recursos para evitar esquecimentos catastróficos.
• Gerencie versões de modelos para repetibilidade e auditoria usando o Amazon SageMaker Model Registry.

Público-alvo

• Arquitetos de nuvem
• Engenheiros de machine learning

Habilidades recomendadas

• Concluiu pelo menos 1 ano de experiência usando o SageMaker e outros serviços da AWS para engenharia de ML
• Concluiu pelo menos 1 ano de experiência em uma função relacionada, como desenvolvedor de software de back-end, desenvolvedor de DevOps, engenheiro de dados ou cientista de dados
• Uma compreensão fundamental de linguagens de programação como Python
• Concluiu os cursos anteriores no Plano de Aprendizagem Associada de Engenheiros de ML da AWS

Conteúdo do curso

• Seção 1: Introdução
  • Lição 1: Como usar este curso
  • Lição 2: Visão geral do curso
  • Lição 3: Avaliando o desempenho do modelo
• Seção 2: Ajuste do modelo
  • Lição 4: Sobreajuste e subajuste do modelo
  • Lição 5: Modelo de prevenção de sobreajuste e subajuste
  • Lição 6: Combinação de modelos para melhorar o desempenho
• Seção 3: Ajuste de hiperparâmetros
  • Lição 7: Benefícios do ajuste de hiperparâmetros
  • Lição 8: Técnicas de ajuste de hiperparâmetros
  • Lição 9: Ajuste de hiperparâmetros usando o Amazon SageMaker AMT
• Seção 4: Gerenciando o tamanho do modelo
  • Lição 10: Fatores de tamanho do modelo
  • Lição 11: Técnicas de redução do tamanho do modelo
• Seção 5: Refinando modelos pré-treinados
  • Lição 12: Benefícios do ajuste fino de modelos pré-treinados
  • Lição 13: Ajustando modelos pré-treinados com conjuntos de dados personalizados na AWS
  • Lição 14: Prevenção do esquecimento catastrófico
• Seção 6: Controle de versão do modelo
  • Lição 15: Benefícios do Amazon SageMaker Model Registry
  • Lição 16: Registrando e implantando modelos com o SageMaker Model Registry
• Seção 7: Conclusão
  • Lição 17: Resumo do curso
  • Lição 18: Avaliação
  • Lição 19: Entrar em contato