Machine Learning Pipeline on AWS
In questi 4 giorni di formazione imparerete a conoscere ogni fase della pipeline grazie alle presentazioni e alle dimostrazioni dell’istruttore e poi applicherete queste conoscenze per completare un progetto che risolva uno dei tre problemi aziendali: rilevamento delle frodi, motori di raccomandazione o ritardi di volo. Alla fine del corso, gli studenti avranno costruito, addestrato, valutato, messo a punto e distribuito con successo un modello di ML utilizzando Amazon SageMaker per risolvere il problema aziendale selezionato.
COD: AW-ML-PIPE
Categorie: AWS
Chi dovrebbe partecipare
- Sviluppatori
- Architetti di soluzioni
- Ingegneri dei dati
- Chiunque abbia poca o nessuna esperienza con il ML e voglia conoscere la pipeline di ML utilizzando Amazon SageMaker
Prerequisiti
- Conoscenza di base del linguaggio di programmazione Python
- Conoscenza di base dell’infrastruttura cloud AWS (Amazon S3 e Amazon CloudWatch)
- Esperienza di base di lavoro in un ambiente Jupyter notebook
In questo corso imparerete a:
- Selezionare e giustificare l’approccio di ML appropriato per un determinato problema aziendale.
- Utilizzare la pipeline di ML per risolvere un problema aziendale specifico.
- Addestrare, valutare, distribuire e mettere a punto un modello di ML utilizzando Amazon SageMaker.
- Descrivere alcune delle migliori pratiche per la progettazione di pipeline di ML scalabili, ottimizzate in termini di costi e sicure in AWS.
- Applicare l’apprendimento automatico a un problema aziendale reale al termine del corso.
Giorno 1
Modulo 1: Introduzione all’apprendimento automatico e alla pipeline di ML
- Panoramica dell’apprendimento automatico, compresi i casi d’uso, i tipi di apprendimento automatico e i concetti chiave.
- Panoramica della pipeline di ML
- Introduzione ai progetti e all’approccio del corso
Modulo 2: Introduzione ad Amazon SageMaker
- Introduzione ad Amazon SageMaker
- Demo: Amazon SageMaker e i notebook Jupyter
- Pratica: Amazon SageMaker e i taccuini Jupyter
Giorno 2
Modulo 3: Formulazione del problema
- Panoramica della formulazione del problema e della decisione se il ML è la soluzione giusta
- Conversione di un problema aziendale in un problema di ML
- Demo: Amazon SageMaker Ground Truth
- Pratica: Amazon SageMaker Ground Truth
- Esercitarsi nella formulazione dei problemi
- Formulare problemi per i progetti
Modulo 4: Preelaborazione
- Panoramica sulla raccolta e l’integrazione dei dati e sulle tecniche di preelaborazione e visualizzazione dei dati.
- Esercitarsi nella preelaborazione
- Preelaborazione dei dati del progetto
- Discussione in classe sui progetti
Giorno 3
Modulo 5: Formazione del modello
- Scegliere l’algoritmo giusto
- Formattazione e suddivisione dei dati per l’addestramento
- Funzioni di perdita e discesa del gradiente per migliorare il modello
- Dimostrazione: Creazione di un lavoro di formazione in Amazon SageMaker
Modulo 6: Valutazione del modello
- Come valutare i modelli di classificazione
- Come valutare i modelli di regressione
- Esercitazioni di formazione e valutazione dei modelli
- Formazione e valutazione dei modelli di progetto
- Presentazioni iniziali del progetto
Giorno 4
Modulo 7: Ingegneria delle caratteristiche e messa a punto del modello
- Estrazione, selezione, creazione e trasformazione delle caratteristiche
- Regolazione degli iperparametri
- Dimostrazione: Ottimizzazione degli iperparametri di SageMaker
- Esercitarsi nell’ingegneria delle caratteristiche e nella messa a punto del modello
- Applicazione dell’ingegneria delle caratteristiche e della messa a punto del modello ai progetti
- Presentazione del progetto finale
Modulo 8: Distribuzione
- Come distribuire, fare inferenza e monitorare il modello su Amazon SageMaker
- Distribuzione di ML ai margini
- Dimostrazione: Creazione di un endpoint Amazon SageMaker
- Valutazione successiva
Durata – 4 giorni
Erogazione – in Aula, On Site, Remoto
Requisiti PC e SW:
- Connessione Internet
- Web browser, Google Chrome
- Zoom
Lingua
- Formatore: Italiano
- Laboratori: Inglese
- Slide: Inglese
