Visão Geral

Este Curso Machine Learning with Sagemaker AWS, é destinado a cientistas de dados e engenheiros de software. O curso combina uma visão geral e compreensão dos conceitos de aprendizado de máquina com implementação específica no SageMaker. Além disso, traz outras ferramentas fora do SageMaker quando necessário.

Machine Learning (ML) é o aplicativo matador para Big Data. O Amazon Machine Learning leva o poder do ML para um programador regular e fornece ML como serviço. No entanto, para usar o ML de forma eficaz, é preciso entender os modelos usados ​​e como utilizá-los na Amazon. Para cada conceito de aprendizado de máquina, discutimos primeiro os fundamentos, sua aplicabilidade e limitações. Em seguida, explicamos a implementação e uso e casos de uso específicos.

Objetivo

Após a conclusão do Curso Machine Learning with Sagemaker AWS, os alunos serão capazes de:

• Obtenha uma compreensão completa dos algoritmos populares de aprendizado de máquina, sua aplicabilidade e limitações
• Pratique a aplicação desses métodos no ambiente de aprendizado de máquina Amazon
• Obtenha clareza no uso real do aprendizado de máquina ilustrando cada método com casos de uso práticos

Pre-Requisitos

• Familiaridade com programação em pelo menos uma linguagem
• Ser capaz de navegar na linha de comando do Linux
• Conhecimento básico de editores de linha de comando Linux (VI/nano)
• Familiaridade básica com AWS 

Materiais

Conteúdo Programatico

Introductions and Overviews

• Data ETL
  • Go into one example in detail, implemented on AWS Redshift
  • Provide pointer to other examples for self-study
• Machine learning
  • Goals, results, supervised/unsupervised
  • Which part of ML is implemented in the Amazon Machine Learning
  • SageMaker (AWS) Overview

Supervised Learning

• Linear regression
• Logistic regression and multinomial logistic regression
• SVM, decision trees, random forests, neural networks
• Labs for every section above

Unsupervised Learning

• K-Means
• Other types of unsupervised learning
  • Hierarchical clustering
  • Mixture models
  • DBSCAN

Data Visualization

• Visualization examples for the models above
• Links to other visualizations for self-study

SageMaker

• Intro
• SageMaker Details
  • Using Built-in Algorithms
  • Using Your Own Algorithms
  • Using TensorFlow
  • Using Apache MXNet
  • Using Apache Spark
  • Amazon SageMaker Libraries
  • Authentication and Access Control
  • Monitoring