Corso erogato in modalità Virtual Class.

Durata

Il corso avrà durata di 4 giorni non consecutivi nell'orario 9.00 - 17.00

Calendario

• 19, 20, 26 , 27 Gennaio
• 12, 13, 19, 20 Aprile

Descrizione

Gli studenti apprenderanno ogni fase della pipeline dalle presentazioni e dalle dimostrazioni dell'istruttore e quindi applicheranno tale conoscenza per completare un progetto che risolve uno dei tre problemi aziendali: rilevamento delle frodi, motori di raccomandazione o ritardi dei voli. Alla fine del corso, gli studenti avranno creato, formato, valutato, messo a punto e implementato con successo un modello ML utilizzando Amazon SageMaker che risolve il problema aziendale selezionato.

Obiettivi del corso

In questo corso imparerai come:

• Selezionare e giustificare l'approccio ML appropriato per un determinato problema aziendale
• Utilizzare la pipeline ML per risolvere un problema aziendale specifico
• Addestrare, valutare, distribuire e ottimizzare un modello ML in Amazon SageMaker
• Descrivere alcune delle best practice 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

Destinatari principali

Questo corso è rivolto a:

• Sviluppatori
• Solutions Architects
• Data Engineers
• Chiunque abbia poca o nessuna esperienza con il machine learning e desideri conoscere la pipeline di machine learning utilizzando Amazon SageMaker

Metodo di formazione

Il corso si svolge attraverso:

• Lezione frontale
• Hands-on labs
• Dimostrazioni
• Esercizi di gruppo

Course Outline

Day One

Module 0: Introduction

• Pre-assessment

Module 1: Introduction to Machine Learning and the ML Pipeline

• Overview of machine learning, including use cases, types of machine learning, and key concepts
• Overview of the ML pipeline
• Introduction to course projects and approach

Module 2: Introduction to Amazon SageMaker

• Introduction to Amazon SageMaker
• Demo: Amazon SageMaker and Jupyter notebooks
• Lab 1: Introduction to Amazon SageMaker

Module 3: Problem Formulation

• Overview of problem formulation and deciding if ML is the right solution
• Converting a business problem into an ML problem
• Demo: Amazon SageMaker Ground Truth
• Hands-on: Amazon SageMaker Ground Truth
• Problem Formulation Exercise and Review
• Project work for Problem Formulation

Day Two

Recap and Checkpoint #1

Module 4: Preprocessing

• Overview of data collection and integration, and techniques for data preprocessing and visualization
• Lab 2: Data Preprocessing (including project work)

Module 5: Model Training

• Choosing the right algorithm
• Formatting and splitting your data for training
• Loss functions and gradient descent for improving your model
• Demo: Create a training job in Amazon SageMaker

Day Three

Recap and Checkpoint #2

Module 6: Model Training

• How to evaluate classification models
• How to evaluate regression models
• Practice model training and evaluation
• Train and evaluate project models
• Lab 3: Model Training and Evaluation (including project work)
• Project Share-Out 1

Module 7: Feature Engineering and Model Tuning

• Feature extraction, selection, creation, and transformation
• Hyperparameter tuning
• Demo: SageMaker hyperparameter optimization

Day Four

Lab 4: Feature Engineering (including project work)

Recap and Checkpoint #3

Module 8: Module Deployment

• How to deploy, inference, and monitor your model on Amazon SageMaker
• Deploying ML at the edge

Module 9: Course Wrap-Up

• Project Share-Out 2
• Post-Assessment
• Wrap-up

Condizioni e Privacy

Per maggiori informazioni consultare le pagine privacy e condizioni.

Note

Il corso sarà confermato solo al raggiungimento di un numero minimo di persone partecipanti.