Curso AWS SageMaker

  • DevOps | CI | CD | Kubernetes | Web3

Curso AWS SageMaker

24 horas
Visão Geral

Este Curso AWS SageMaker prático e abrangente foi desenvolvido para cientistas de dados, engenheiros de Machine Learning (ML), desenvolvedores, arquitetos de dados e qualquer profissional de I.A. que deseja dominar o Amazon SageMaker, o serviço da AWS que simplifica o ciclo de vida completo do Machine Learning. Do ponto de vista técnico, você aprenderá a usar o SageMaker para todas as etapas: preparação de dados, construção e treinamento de modelos, ajuste de hiperparâmetros, implantação, monitoramento e automação. Abordaremos o uso de notebooks Jupyter, algoritmos integrados do SageMaker, frameworks populares (TensorFlow, PyTorch, Scikit-learn), SageMaker Pipelines para MLOps, SageMaker Feature Store e SageMaker Model Monitor. O foco será em cenários do mundo real, garantindo que os participantes possam colocar modelos de ML em produção de forma escalável e eficiente na AWS.

Curso Machine Learning com Amazon SageMaker Do Modelo à Produção, a capacidade de acelerar o desenvolvimento e a implantação de modelos de Machine Learning é um diferencial competitivo enorme. O domínio do Amazon SageMaker permite que as organizações reduzam o tempo de ciclo de ML, melhorem a qualidade dos modelos, otimizem custos de infraestrutura e aumentem a produtividade das equipes de I.A./ML. Ao padronizar e automatizar o fluxo de trabalho de ML, as empresas podem escalar suas iniciativas de inteligência artificial, impulsionar a inovação e extrair mais valor de seus dados. Profissionais com experiência em SageMaker são altamente procurados, pois são essenciais para transformar protótipos de ML em soluções de produção robustas e impactantes.

Objetivo

Ao final do Curso AWS SageMaker (Curso Machine Learning com Amazon SageMaker Do Modelo à Produção), você será capaz de:

  • Compreender o ciclo de vida do Machine Learning e como o SageMaker o otimiza.
  • Navegar e utilizar os principais componentes do Amazon SageMaker (Notebook Instances, Training Jobs, Endpoints, etc.).
  • Preparar e transformar dados usando SageMaker Processing Jobs e Feature Store.
  • Construir e treinar modelos de ML usando algoritmos integrados do SageMaker e frameworks populares (TensorFlow, PyTorch).
  • Realizar ajuste de hiperparâmetros (HPO) para otimizar o desempenho do modelo.
  • Implantar modelos em endpoints em tempo real e para inferência em lote.
  • Monitorar modelos em produção usando SageMaker Model Monitor para detecção de desvios.
  • Automatizar o fluxo de trabalho de ML com SageMaker Pipelines e integrar com MLOps.
  • Aplicar as melhores práticas para otimização de custos e segurança no SageMaker.
Publico Alvo
  • Cientistas de Dados e Engenheiros de ML: Que desejam operacionalizar e escalar seus modelos na AWS.
  • Desenvolvedores: Que buscam integrar ML em suas aplicações usando serviços AWS gerenciados.
  • Arquitetos de Dados e Cloud: Para projetar soluções de ML escaláveis e robustas.
  • Analistas de Dados: Que querem explorar a capacidade de ML para insights avançados.
Pre-Requisitos
  • Conhecimento básico de Python: Para scripting e manipulação de dados.
  • Conhecimento básico de Machine Learning: Conceitos de treinamento, validação, teste, algoritmos supervisionados/não supervisionados.
  • Conhecimento básico de AWS: Familiaridade com o Console de Gerenciamento da AWS, S3, IAM.
  • Noções de linha de comando (terminal).
Materiais
Inglês/Português/Lab Prático
Conteúdo Programatico

Módulo 1: Introdução ao Amazon SageMaker e o Ciclo de Vida do ML (4 horas)

  • 1.1. O Desafio do Machine Learning em Produção:
    • Por que ML é difícil de escalar e gerenciar.
    • A necessidade de MLOps.
  • 1.2. Visão Geral do Amazon SageMaker:
    • Como o SageMaker simplifica o ciclo de vida do ML.
    • Principais componentes e serviços (Studio, Notebooks, Training, Endpoints, etc.).
  • 1.3. Navegando no Amazon SageMaker Studio e Notebook Instances:
    • Configuração e uso do SageMaker Studio.
    • Criando e gerenciando Notebook Instances.
    • Visão geral da SDK do SageMaker para Python.
  • 1.4. Preparação de Dados na AWS:
    • Armazenamento de dados no Amazon S3 para ML.
    • Noções básicas de permissões IAM para SageMaker.
  • Prática: Configurar um ambiente SageMaker Studio/Notebook Instance. Carregar um dataset simples para o S3. Executar um notebook Jupyter básico no SageMaker.

Módulo 2: Preparação de Dados e Engenharia de Features (4 horas)

  • 2.1. SageMaker Processing Jobs:
    • Executando scripts de processamento de dados escaláveis (Scikit-learn, Spark).
    • Pré-processamento, transformação e validação de dados.
  • 2.2. Amazon SageMaker Feature Store:
    • O que é e por que usar uma Feature Store.
    • Criando Feature Groups para dados offline e online.
    • Ingestão e recuperação de features.
  • 2.3. Data Wrangling com SageMaker Data Wrangler:
    • Ferramenta visual para preparação de dados.
    • Transformações e exportação para outros serviços.
  • Prática: Criar um SageMaker Processing Job para pré-processar um dataset. Criar um Feature Group no SageMaker Feature Store e ingeri-lo.

Módulo 3: Treinamento de Modelos no SageMaker (6 horas)

  • 3.1. Algoritmos Integrados do SageMaker:
    • Visão geral de algoritmos populares (XGBoost, Linear Learner, K-Means).
    • Configuração e execução de Training Jobs com algoritmos integrados.
  • 3.2. Treinamento com Frameworks de ML (Bring Your Own Script):
    • Usando TensorFlow, PyTorch e Scikit-learn no SageMaker.
    • Estrutura de scripts de treinamento.
    • Configurando Estimators para diferentes frameworks.
  • 3.3. Treinamento Distribuído:
    • Conceitos de treinamento distribuído para modelos grandes.
    • Configurando treinamento em múltiplos nós.
  • 3.4. Debugging de Modelos com SageMaker Debugger:
    • Monitoramento de tensões e detecção de anomalias durante o treinamento.
  • Prática: Treinar um modelo (ex: XGBoost) usando um algoritmo integrado. Treinar um modelo (ex: um modelo de classificação simples com Scikit-learn ou TensorFlow) usando seu próprio script.

Módulo 4: Ajuste de Hiperparâmetros e Implantação de Modelos (6 horas)

  • 4.1. Ajuste de Hiperparâmetros (HPO) com SageMaker Automatic Model Tuning:
    • Definindo ranges de hiperparâmetros e métricas de otimização.
    • Estratégias de busca (Bayesian Optimization, Random Search).
  • 4.2. Registro e Versão de Modelos com SageMaker Model Registry:
    • Criando e gerenciando versões de modelos.
    • Aprovações de modelos para implantação.
  • 4.3. Implantação de Endpoints em Tempo Real:
    • Criando Endpoints, Endpoints Configurataions e Models.
    • Inferência online: Requisições síncronas.
    • Configurações de implantação (instâncias, auto scaling).
    • Atualização de modelos em Endpoints (Blue/Green Deployment).
  • 4.4. Inferência em Lote com SageMaker Batch Transform:
    • Processando grandes volumes de dados offline.
    • Casos de uso para inferência em lote.
  • Prática: Configurar um trabalho de HPO para otimizar um modelo. Registrar um modelo no Model Registry. Implamentar um modelo em um endpoint em tempo real e fazer inferência. Executar um trabalho de Batch Transform.

Módulo 5: Monitoramento de Modelos e MLOps com SageMaker (4 horas)

  • 5.1. Monitoramento de Modelos em Produção com SageMaker Model Monitor:
    • Detecção de data drift e model drift.
    • Configurando baselines e schedules de monitoramento.
    • Notificações e alertas.
  • 5.2. Automação do Ciclo de Vida do ML com SageMaker Pipelines:
    • Definindo pipelines de ML (steps: processing, training, model registration, deployment).
    • Integração com CodePipeline/CodeBuild.
  • 5.3. MLOps (Machine Learning Operations) na AWS:
    • Construindo um pipeline de MLOps de ponta a ponta.
    • Ferramentas e práticas para automação, CI/CD para ML.
  • 5.4. Segurança e Otimização de Custos no SageMaker:
    • Controles de acesso IAM para SageMaker.
    • Criptografia de dados e modelos.
    • Estratégias de otimização de custos (instâncias spot, instâncias gerenciadas, desligamento de recursos).
  • Prática: Configurar o SageMaker Model Monitor para detectar desvios em um endpoint implantado. Construir e executar um SageMaker Pipeline simples.
TENHO INTERESSE

Cursos Relacionados

Curso Ansible Red Hat Basics Automation Technical Foundation

16 horas

Curso Terraform Deploying to Oracle Cloud Infrastructure

24 Horas

Curso Ansible Linux Automation with Ansible

24 horas

Ansible Overview of Ansible architecture

16h

Advanced Automation: Ansible Best Practices

32h