在本课程中，您将学习如何优化机器学习 (ML) 模型。首先，您将回顾缓解偏差和提高模型性能的方法，并学习如何防止模型过拟合和欠拟合。然后，您将了解如何结合多种方法来提高模型性能，以及如何使用超参数优化来生成优化的模型结果。
您还将研究模型大小和模型版本控制的变化，并探索 Amazon SageMaker 服务如何协助完成模型优化过程。
- 课程级别：300
- 时长：2 小时
注意：本课程具有本地化的注释/字幕。 旁白保留英语。要显示字幕，请单击播放器右下角的 CC 按钮。
课程内容
- 线上资料
- 练习
- 知识考核问题
课程目标
- 定义和解释模型评估指标，例如模型偏差和模型方差。
- 描述检测模型过拟合和欠拟合的方法。
- 使用正则化方法和特征选择来防止模型过拟合和欠拟合。
- 通过集成方法（例如提升法、套袋法和堆叠法）合并多个训练模型，以提高模型性能。
- 解释超参数如何影响模型性能。
- 定义关键的超参数优化方法。
- 执行自动超参数优化以提高模型性能。
- 确定影响模型大小的关键因素。
- 通过迭代模型剪枝来减小模型大小。
- 使用自定义数据集通过 Amazon SageMaker JumpStart 和 Amazon Bedrock 微调预训练模型。
- 使用正则化方法和特征选择来防止灾难性遗忘。
- 使用 Amazon SageMaker 模型注册表管理模型版本以实现可重复性和审计。
培训对象
- 云架构师
- 机器学习工程师
推荐技能
- 拥有至少 1 年使用 SageMaker 和其他 AWS 服务进行机器学习工程工作的经验
- 拥有至少 1 年相关职位（例如后端软件开发人员、DevOps 开发人员、数据工程师或数据科学家）的工作经验
- 对 Python 等编程语言有基本的了解
- 已完成 AWS ML Engineer Associate 学习计划的前几门课程
课程大纲
- 第 1 部分：简介
- 第 1 课：如何学习本课程
- 第 2 课：课程概览
- 第 3 课：评估模型性能
- 第 2 部分：模型拟合
- 第 4 课：模型过拟合与欠拟合
- 第 5 课：模型过拟合与欠拟合预防
- 第 6 课：模型组合可提高性能
- 第 3 部分：超参数优化
- 第 7 课：超参数优化的好处
- 第 8 课：超参数优化技术
- 第 9 课：使用 Amazon SageMaker AMT 进行超参数优化
- 第 4 部分：管理模型大小
- 第 10 课：模型大小因素
- 第 11 课：模型大小缩减技术
- 第 5 部分：优化预训练模型
- 第 12 课：微调预训练模型的好处
- 第 13 课：在 AWS 上使用自定义数据集微调预训练模型
- 第 14 课：灾难性遗忘预防
- 第 6 部分：模型版本控制
- 第 15 课：Amazon SageMaker 模型注册表的好处
- 第 16 课：使用 SageMaker 模型注册表注册和部署模型
- 第 7 部分：总结
- 第 17 课：课程总结
- 第 18 课：评估
- 第 19 课：联系我们
