Este curso final do domínio de desenvolvimento de modelos fornece instruções para analisar o desempenho de modelos de ML. Você aprenderá sobre os principais conceitos e técnicas para avaliação de modelos, incluindo métricas de problemas de classificação e de regressão. Você também aprenderá como identificar problemas de convergência e garantir uma experimentação reproduzível. Por último, você usará os serviços da AWS, como o Amazon SageMaker Clarify e o Amazon SageMaker Debugger, para obter informações sobre dados de treinamento de machine learning (ML) e problemas de modelo.
- Nível do curso: 300
- Duração: 1h30
Atividades
- Materiais on-line
- Exercícios
- Perguntas de teste de conhecimento
Objetivos do curso
- Determinar métodos para criar linhas de base de desempenho.
- Avaliar as vantagens e desvantagens entre o desempenho do modelo, o tempo de treinamento e os custos.
- Determinar técnicas e métricas de avaliação de problemas de classificação.
- Determinar técnicas e métricas de avaliação de problemas de regressão.
- Identificar problemas de convergência e evitar problemas de convergência de modelos com o Amazon SageMaker Training Compiler e o Amazon SageMaker Automatic Model Tuning (AMT).
- Identificar as métricas do SageMaker Clarify para obter informações sobre dados e modelos de treinamento de ML.
- Usar o SageMaker Clarify para interpretar as saídas do modelo.
- Descrever como realizar testes reproduzíveis usando os serviços da AWS.
- Usar o SageMaker Model Debugger para depurar a convergência do modelo.
Público-alvo
- Arquitetos de nuvem
- Engenheiros de machine learning
Habilidades recomendadas
- Ter pelo menos um ano de experiência de uso do SageMaker e outros serviços da AWS para engenharia de ML
- Ter pelo menos um ano de experiência em uma função relacionada, como desenvolvedor de software de back-end, desenvolvedor de DevOps, engenheiro de dados ou data scientist
- Ter compreensão básica de linguagens de programação, como Python
- Ter concluído os cursos anteriores no Plano de aprendizado de AWS ML Engineer Associate
Conteúdo do curso
- Seção 1: Introdução
o Lição 1: Como usar este curso
o Lição 2: Visão geral do curso
o Lição 3: Linhas de base de desempenho
- Seção 2: Avaliação do modelo
o Lição 4: Técnicas e métricas de avaliação de modelo
o Lição 5: Problemas de convergência
o Lição 6: Depuração de convergência do modelo com o SageMaker Debugger
o Lição 7: Visão geral das métricas e do SageMaker Clarify
o Lição 8: Interpretação das saídas do modelo usando o SageMaker Clarify
o Lição 9: Amazon SageMaker Experiments
- Seção 3: Conclusão
o Lição 10: Resumo do curso
o Lição 11: Avaliação
o Lição 12: Entre em contato conosco
