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

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.