Visão Geral

Nosso curso de treinamento Amazon SageMaker fornecerá as habilidades para criar rapidamente soluções de Machine Learning na Amazon Web Services (AWS).

Por meio de exercícios práticos, você será apresentado a métodos de exploração de dados para ajudá-lo a identificar padrões, significado e valor em seus dados de negócios.

Objetivo

Após concluir o curso Machine Learning with Amazon SageMaker, você será capaz de:

• Entenda os conceitos de aprendizado de máquina (ML)
• Prepare seus dados
• Faça upload do seu conjunto de dados para o Amazon SageMaker
• Treinar, analisar e ajustar um modelo de ML
• Analise e publique seus resultados

Publico Alvo

• Este curso será útil para quem precisa criar soluções de aprendizado de máquina para analisar dados e deseja se beneficiar da plataforma de ciência de dados baseada em nuvem da Amazon.
  

Pre-Requisitos

• Os delegados devem ter alguma familiaridade com o trabalho com dados, por exemplo, MS Excel. Qualquer experiência com bancos de dados SQL ou NoSQL seria útil, mas não obrigatória, assim como a experiência de uma linguagem de programação como Python, C#, Java
  

Informações Gerais

• Carga Horária: 16h
• Se noturno este curso é ministrado de Terça-feira à sexta-feira, das 19h às 23h
• Se aos sábados este curso é ministrado das 9h às 18h
• Se in-company por favor fazer contato para mais detalhes.

Formato de entrega:

• 100% on-line ao vivo, via Microsoft Teams na presença de um instrutor/consultor ativo no mercado.
• Nota: não é curso gravado.

Lab:

• Laboratório + Exercícios práticos 

Materiais

Conteúdo Programatico

Introduction 

1. Overview of key Machine Learning and Deep Learning concepts
2. Getting about in AWS
3. Overview of SageMaker features
4. Taking your first look at SageMaker studio

Preparing your dataset

1. Identifying your data and articulating your problem
2. Format data for consistency
3. Cleaning and validating your data
4. Uploading to SageMaker

Data Analysis

1. Clustering
2. Trend analysis
3. Finding other relationships between different types of data  

Data Visualisation

1. Frequency tables
2. Cross-tabulation tables
3. Bar charts
4. Line graphs
5. Pie charts
6. Heat Maps
7. Scatter graphs.

Training your Model

1. Creating a Training job
2. Assigning Compute resources
3. Selecting the right algorithm
4. Overview of using custom code (Python, TensorFlow) 

Deploying your Model

1. SageMaker Hosting Services
2. Configuring and creating an HTTPS endpoint

SageMaker Batch Transforms

1. Making inferences from your dataset
2. Indexing and real-time indices 
3. Using Batch Transform to preprocess data to train a new model

Validating your Model

1. SageMaker Debugger
2. Offline testing
3. Online testing
4. Validating using a holdout set

Model Tuning

1. Defining metrics
2. Hyperparameter tuning
3. Automatic model tuning 

Deploying and sharing using SageMaker Feature Store

1. Creating, Storing and Sharing Features
2. Online / Offline
3. Feature Groups
4. Discovery
5. Batch Inference
6. Feature Data Ingestion