Com o Amazon SageMaker Canvas, analistas de dados e negócios podem preparar dados, treinar e implantar modelos de machine learning (ML) sem ter qualquer experiência em ML nem programar uma única linha de código. Você aprenderá a criar modelos de ML para dados tabulares e de séries temporais sem um profundo conhecimento de ML. Você também aprenderá a usar, ajustar e avaliar a produção de modelos de base da Amazon e de outros fornecedores para dar suporte a casos de uso de IA generativa, como geração de texto, resumo de texto e chat usando geração aumentada de recuperação (RAG). Com a ajuda de um tutorial guiado que consiste em um vídeo narrado, instruções passo a passo e transcrição, você também poderá testar o serviço Canvas em sua própria conta da Amazon Web Services (AWS).
Em vez de usar sua própria conta, você pode se tornar assinante do AWS Skill Builder para desbloquear todo o nosso conteúdo prático e interativo, incluindo acesso ilimitado a mais de 125 Laboratórios Builder da AWS. Esses laboratórios guiados práticos ajudam você a desenvolver habilidades práticas para cenários de nuvem comuns por meio da criação de um ambiente de sandbox na AWS, sem o risco de acumular cobranças indesejadas.
Você pode saber mais e se inscrever na página de assinaturas. Depois de assinar, registre-se no curso para desfrutar da experiência do Laboratório Builder da AWS. Depois de concluir este curso, você poderá criar e treinar modelos altamente precisos e gerar previsões usando inferência em lote. Você também poderá compartilhar modelos com data scientists para análise e implantação adicionais nos pipelines de operação de ML da sua empresa.
- Nível do curso: intermediário
- Duração: 5 horas e meia
Atividades
Este curso inclui interações de eLearning, testes de conhecimento e demonstrações complementares.
Objetivos do curso
Neste curso, você aprenderá o seguinte:
- Descrever os conceitos e técnicas básicas de machine learning (ML).
- Identificar o ciclo de vida do ML e suas fases.
- Descrever os tipos de problemas que o ML pode resolver.
- Identificar as etapas para criar um modelo de ML.
- Descrever as métricas para medir a acurácia preditiva de um modelo.
- Usar o Amazon SageMaker Canvas para transformar dados brutos em um conjunto de dados de treinamento.
- Descrever como extrair informações dos dados e entender a qualidade deles.
- Identificar como encontrar possíveis erros e valores extremos nos dados com ferramentas de visualização.
- Descrever os recursos de criação de modelos do SageMaker Canvas usando o AutoML.
- Usar o SageMaker Canvas para iniciar um trabalho de treinamento de modelo e acompanhar seu progresso.
- Descrever as métricas de qualidade de modelo disponíveis nos relatórios de desempenho.
- Implantar um modelo e fazer previsões.
- Usar a interface de usuário (UI) de modelo de base (FM) do SageMaker Canvas para geração de texto, resumo de texto e comparação de modelos.
- Identificar e enfrentar os desafios com os resultados de modelos de base usando RAG e ajustes.
- Descrever as práticas recomendadas a serem seguidas ao usar o Amazon SageMaker Canvas.
Público-alvo
Este curso se destina a:
- Analistas de dados
- Pesquisadores de domínios que não são de ML
- Analistas de pesquisa operacional
- Data scientists juniores
Pré-requisitos
A AWS recomenda que os participantes deste curso tenham:
- Experiência com análise, limpeza e transformação de dados tabulares ou de séries temporais
- Compreensão básica de medidas estatísticas e de regressão
- Curso Elementos técnicos essenciais da AWS
Para quem é iniciante na IA generativa, a AWS recomenda os seguintes cursos:
- Introdução à IA generativa: a arte do possível
- Planejar um projeto de IA generativa
Conteúdo do curso
Módulo 1: Introdução ao machine learning
- Como usar este curso
- Introdução ao ML
- Noções básicas de ML
- Tipos de problemas que o ML pode resolver
- Ciclo de vida de ML
- Ciclo de vida de ML
- Criar e avaliar modelos
- Introdução à criação de modelos
- Avaliação do modelo
- Melhorar o desempenho do modelo
- Opções de treinamento de modelo
- Conclusão
- Teste de conhecimento
- Conclusão
Módulo 2: Análise e preparação de dados
- Como usar este curso
- Introdução ao Amazon SageMaker Canvas
- Amazon SageMaker Canvas
- Analisar dados
- Análise do Quick Model
- Preparação de dados
- Transformar dados
- Exportação de dados e fluxos de dados
- Conclusão
- Teste de conhecimento
- Conclusão
Demonstração 1: Tutorial do Amazon SageMaker Canvas: caso de uso de dados tabulares
Demonstração 2: Tutorial do Amazon SageMaker Canvas: caso de uso de conjuntos de dados de séries temporais
Módulo 3: Criação de modelos usando o SageMaker Canvas
- Como usar este curso
- Deep dive no SageMaker Canvas
- Introdução à criação de modelos no SageMaker Canvas
- Opções avançadas para criar modelos no SageMaker Canvas
- Avaliar um modelo no SageMaker Canvas
- Fazer previsões e implantar um modelo no SageMaker Canvas
- Conclusão
- Teste de conhecimento
- Conclusão
Demonstração 3: Tutorial para criar um modelo personalizado usando o Amazon SageMaker Canvas
Demonstração 4: Tutorial do laboratório final de ML sem código
Módulo 4: IA generativa usando o SageMaker Canvas
- Como usar este curso
- Modelos de base no SageMaker Canvas
- IA generativa usando o Amazon SageMaker Canvas
- Modelos de base do SageMaker Canvas
- Comparar modelos de base
- Mitigar os desafios dos modelos de base no SageMaker Canvas
- Alucinações de modelo
- Geração aumentada de recuperação (RAG)
- Ajustar modelos de base
- Conclusão
- Teste de conhecimento
- Conclusão
Módulo 5: Práticas recomendadas do SageMaker Canvas
Práticas recomendadas de como usar este curso
- Obter acesso ao SageMaker Canvas
- Atualizar a versão do SageMaker Canvas
- Reduzir custos com o SageMaker Canvas
- Conclusão
- Conclusão
Palavras-chave
- IA generativa
- IA generativa
