دوره آموزشی یادگیری هوش مصنوعی Amazon SageMaker
1 ساعت 41 دقیقهمتوسط2024-12-18
مدرسین

Kesha Williams
Software Engineering Manager, Speaker, Tech Blogger
جزئیات دوره
Amazon SageMaker یک راهحل برای توسعهدهندگانی است که میخواهند مدلهای پیشبینی ماشین لرنینگ را به محیط تولید منتقل کنند. این دوره به شما آموزش میدهد که چگونه محیطهای SageMaker را تنظیم و پیکربندی کنید، دادهها را آمادهسازی و پیشپردازش کنید و مدلهای یادگیری ماشین را با استفاده از الگوریتمهای داخلی SageMaker بسازید، آموزش دهید و در محیط تولید پیادهسازی کنید. مدرس کشا ویلیامز شما را از مراحل ارزیابی و بهینهسازی عملکرد مدلها، از جمله تنظیمهای هایپرپارامتر و نظارت بر عملکرد، راهنمایی میکند تا مطمئن شوید که مدلهای شما بهترین نتایج را ارائه میدهند. علاوه بر این، بهترین شیوهها برای مدیریت هزینهها، پیادهسازی تدابیر امنیتی و عملیاتیسازی مدلها با MLOps را خواهید آموخت. چه تازه وارد دنیای یادگیری ماشین باشید و چه بخواهید مهارتهای خود را در AWS گسترش دهید، این دوره تجربه عملی و دانش کاربردی برای استفاده مؤثر از Amazon SageMaker در پروژههای شما فراهم میآورد.
اهداف یادگیری:
تنظیم و پیکربندی Amazon SageMaker، از جمله ایجاد و مدیریت محیطهای SageMaker Studio، نقشها و مجوزهای IAM.
آمادهسازی و پیشپردازش دادهها با استفاده از SageMaker Data Wrangler و سایر ابزارهای آمادهسازی داده.
ساخت، آموزش و پیادهسازی مدلهای یادگیری ماشین با استفاده از الگوریتمهای داخلی و SageMaker SDK.
ارزیابی و بهینهسازی عملکرد مدل از طریق تنظیمهای هایپرپارامتر و نظارت بر عملکرد در SageMaker.
پیادهسازی بهترین شیوهها برای مدیریت هزینهها، امنیت و MLOps به منظور عملیاتیسازی مدلهای یادگیری ماشین در محیط تولید.
اهداف یادگیری:
تنظیم و پیکربندی Amazon SageMaker، از جمله ایجاد و مدیریت محیطهای SageMaker Studio، نقشها و مجوزهای IAM.
آمادهسازی و پیشپردازش دادهها با استفاده از SageMaker Data Wrangler و سایر ابزارهای آمادهسازی داده.
ساخت، آموزش و پیادهسازی مدلهای یادگیری ماشین با استفاده از الگوریتمهای داخلی و SageMaker SDK.
ارزیابی و بهینهسازی عملکرد مدل از طریق تنظیمهای هایپرپارامتر و نظارت بر عملکرد در SageMaker.
پیادهسازی بهترین شیوهها برای مدیریت هزینهها، امنیت و MLOps به منظور عملیاتیسازی مدلهای یادگیری ماشین در محیط تولید.
مهارت ها
Amazon SageMakerCloud DevelopmentMachine LearningCloud ServicesArtificial Intelligence (AI)Cloud ComputingOne-Off
سرفصل ها
0. مقدمه
- 01 - به Amazon SageMaker خوش آمدید
- 02 - پروژه Amazon SageMaker را مرور کنید
1. شروع به کار با SageMaker
- 03 - درک آمازون SageMaker
- 04 - راهاندازی SageMaker Studio
2. آماده سازی یک مجموعه داده
- 05 - تجزیهوتحلیل و تهیه داده ها
- 06 - استفاده از ابزار آماده سازی داده ها
- 07 - چالش - یک مجموعه داده آماده کنید
- 08 - راه حل - یک مجموعه داده تهیه کنید
3. آموزش یک مدل
- 09 - آموزش مراحل آموزش مدل
- 10 - انتخاب الگوریتم
- 11 - آموزش مدل
- 12 - چالش - آموزش یک مدل
- 13 - راه حل - یک مدل را آموزش دهید
4. ارزیابی و تنظیم یک مدل
- 14 - ارزیابی عملکرد مدل
- 15 - کوک کردن مدل
- 16 - چالش - یک مدل را ارزیابی کنید
- 17 - راه حل - یک مدل را ارزیابی کنید
5. استقرار یک مدل
- 18 - استقرار مدل ها
- 19 - ایجاد پیش بینی
- 20 - چالش - استقرار یک مدل
- 21 - راه حل - استقرار یک مدل
6. عملیاتی کردن یک مدل
- 22 - عملیاتی شدن با MLOps
- 23 - مدلهای نظارتی
- 24 - به روز رسانی مدل ها
7. درک بهترین شیوههای SageMaker
- 25 - مدیریت هزینههای SageMaker
- 26 - اطمینان از بهترین شیوههای امنیتی
نتیجه گیری
- 27 - سفر SageMaker شما
دوره های مرتبط
- دوره آموزشی آزمایشگاه هوش مصنوعی خودت رو بساز
- دوره آموزشی آمازون SageMaker برای کاربردهای هوش مصنوعی مولد
- دوره آموزشی تحلیلهای پیشرفته هوش مصنوعی بر روی AWS: آمازون Bedrock، Q، SageMaker Data Wrangler و QuickSight
- دوره آموزشی هوش مصنوعی مسئولانه بر روی AWS: حصارهای Bedrock، امنیت Amazon Q و SageMaker Clarify
- دوره آموزشی هوش مصنوعی مسئولانه با Amazon SageMaker AI
- دوره آموزشی راهحلهای هوش مصنوعی سازمانی با AWS: کسبوکار Amazon Q، پایگاههای دانش Bedrock، و MLOps در SageMaker
- دوره آموزشی مبانی اتوماسیون هوش مصنوعی AWS: رابط خط فرمان (CLI) با Amazon Q در AWS CloudShell
- دوره آموزشی ارائه تصمیمات مبتنی بر داده با AWS: استفاده از یادگیری ماشین، مهندسی داده و هوش مصنوعی مولد