Visão Geral

Curso Data Science with Amazon SageMaker Practical, aprendem como resolver um caso de uso do mundo real com Machine Learning (ML) e produzir resultados acionáveis ​​usando o Amazon SageMaker. Este curso percorre os estágios de um processo típico de ciência de dados para Machine Learning, desde a análise e visualização de um conjunto de dados até a preparação dos dados e a engenharia de recursos. Os indivíduos também aprenderão aspectos práticos da construção, treinamento, ajuste e implantação de modelos com o Amazon SageMaker. Casos de uso da vida real incluem análise de retenção de clientes para informar programas de fidelidade de clientes.

Objetivo

Após realizar este Curso Data Science with Amazon SageMaker Practical você será capaz de:

• Preparar um conjunto de dados para treinamento
• Treine e avalie um modelo de aprendizado de máquina
• Ajustar automaticamente um modelo de aprendizado de máquina
• Preparar um modelo de Machine Learning para produção
• Pense criticamente sobre os resultados do modelo de aprendizado de máquina

Publico Alvo

• Desenvolvedores
• Cientistas de Dados

Pre-Requisitos

• Familiaridade com a linguagem de programação Python
• Noções básicas de aprendizado de máquina

Materiais

Conteúdo Programatico

Introduction to Machine Learning

1. Types of ML
2. Job Roles in ML
3. Steps in the ML pipeline

Introduction to Data Prep and SageMaker

1. Training and Test dataset defined
2. Introduction to SageMaker
3. Demo: SageMaker console
4. Demo: Launching a Jupyter notebook

Problem formulation and Dataset Preparation

1. Business Challenge: Customer churn
2. Review Customer churn dataset

Data Analysis and Visualization

1. Demo: Loading and Visualizing your dataset
2. Exercise 1: Relating features to target variables
3. Exercise 2: Relationships between attributes
4. Demo: Cleaning the data

Training and Evaluating a Model

1. Types of Algorithms
2. XGBoost and SageMaker
3. Demo 5: Training the data
4. Exercise 3: Finishing the Estimator definition
5. Exercise 4: Setting hyperparameters
6. Exercise 5: Deploying the model
7. Demo: Hyperparameter tuning with SageMaker
8. Demo: Evaluating Model Performance

Automatically Tune a Model

1. Automatic hyperparameter tuning with SageMaker
2. Exercises 6-9: Tuning Jobs

Deployment / Production Readiness

1. Deploying a model to an endpoint
2. A/B deployment for testing
3. Auto Scaling Scaling
4. Demo: Configure and Test Autoscaling
5. Demo: Check Hyperparameter tuning job
6. Demo: AWS Autoscaling
7. Exercise 10-11: Set up AWS Autoscaling

Relative Cost of Errors

1. Cost of various error types
2. Demo: Binary Classification cutoff

Amazon SageMaker Architecture and features

1. Accessing Amazon SageMaker notebooks in a VPC
2. Amazon SageMaker batch transforms
3. Amazon SageMaker Ground Truth
4. Amazon SageMaker Neo