Practical Data Science with Amazon SageMaker Eğitimi

Makine Öğrenimi (ML) ile gerçek dünyadaki bir kullanım senaryosunu nasıl çözeceğinizi ve Amazon SageMaker'ı kullanarak eyleme dönüştürülebilir sonuçlar üretmeyi öğreneceksiniz. "Practical Data Science with Amazon SageMaker" eğitimi, bir veri kümesinin analiz edilmesi ve görselleştirilmesinden verilerin hazırlanmasına ve özellik mühendisliğine kadar Makine Öğrenimi için tipik bir veri bilimi sürecinin aşamalarını anlatır. Katılımcılar ayrıca Amazon SageMaker ile model oluşturma, eğitim, ayarlama ve dağıtımın pratik yönlerini de öğrenecekler. Gerçek hayattaki kullanım örneği, müşteri sadakat programlarına bilgi sağlamak için müşteriyi elde tutma analizini içerir

Faaliyetler

"Practical Data Science with Amazon SageMaker" eğitim sunumları, grup alıştırmalarını ve uygulamalı laboratuvarları içerir.

Bu eğitimde şunları yapmayı öğreneceksiniz:

• Eğitim için bir veri kümesi hazırlama
• Makine Öğrenimi modelini eğitme ve değerlendirme
• Makine Öğrenimi modelini otomatik olarak ayarlama
• Üretim için Makine Öğrenimi modeli hazırlama
• Makine Öğrenimi modeli sonuçları hakkında eleştirel düşünün

Modül 1: Makine öğrenimine giriş

• ML Türleri
• ML'de İş Rolleri
• ML işlem hattındaki adımlar

Modül 2: Veri hazırlama ve SageMaker'a giriş

• Eğitim ve test veri kümesi tanımlandı
• SageMaker'a Giriş
• Gösterim: SageMaker konsolu
• Jupyter not defterinin başlatılması

Modül 3: Problem formülasyonu ve veri seti hazırlama

• İş dünyasındaki zorluk: Müşteri kaybı
• Müşteri kaybı veri kümesini inceleyin

Modül 4: Veri analizi ve görselleştirme

• Gösteri: Veri kümenizi yükleme ve görselleştirme
• Alıştırma 1: Özellikleri hedef değişkenlerle ilişkilendirme
• Alıştırma 2: Nitelikler arasındaki ilişkiler
• Gösterim: Verileri temizleme

Modül 5: Bir modeli eğitmek ve değerlendirmek

• Algoritma türleri
• XGBoost ve SageMaker
• Gösterim: Verileri eğitme
• Alıştırma 3: Tahminci tanımını tamamlama
• Alıştırma 4: Hiper parametreleri ayarlama
• Alıştırma 5: Modelin konuşlandırılması
• Gösterim: SageMaker ile hiper parametre ayarlama
• Gösterim: Model performansının değerlendirilmesi

Modül 6: Bir modeli otomatik olarak ayarlama

• SageMaker ile otomatik hiper parametre ayarı
• Alıştırma 6-9: İşleri ayarlama

Modül 7: Dağıtıma / üretime hazır olma

• Bir modeli uç noktaya dağıtma
• Test için A/B dağıtımı
• Otomatik Ölçeklendirme
• Gösterim: Otomatik ölçeklendirmeyi yapılandırma ve test etme
• Gösterim: Hiper parametre ayarlama işini kontrol edin
• Gösterim: AWS Otomatik Ölçeklendirme
• Alıştırma 10-11: AWS Otomatik Ölçeklendirmeyi Ayarlayın

Modül 8: Hataların göreceli maliyeti

• Çeşitli hata türlerinin maliyeti
• Demo: İkili sınıflandırma sınırı

Modül 9: Amazon SageMaker mimarisi ve özellikleri

• Amazon SageMaker not defterlerine VPC üzerinden erişme
• Amazon SageMaker toplu dönüşümleri
• Amazon SageMaker Temel Gerçeği
• Amazon SageMaker Neo