DATOS BÁSICOS
Virtual en horario obligatorio de 16:30-21:00 horas.
REQUISITOS
Trabajadores ocupados o desempleados en la Comunidad Autónoma de Aragón. En concreto, este curso está diseñado para profesionales interesados en construir, desplegar y operacionalizar modelos de Machine Learning en AWS: ingenieros de ML en activo o en formación (aunque tengan poca experiencia en AWS), ingenieros DevOps, desarrolladores, ingenieros SysOps.
Requisitos:
Es recomendable tener familiaridad con los conceptos básicos de Machine Learning, así como conocimientos de programación Python y librerías de data science como NumPy, Pandas y Scikit-learn. También conceptos básicos de computación en la nube y familiaridad con AWS. Experiencia con sistemas de control de versiones como Git (beneficioso pero no obligatorio).
FINALIDAD
Con este curso se aprenderá a:<br/>· Explicar los fundamentos del aprendizaje automático (ML) y sus aplicaciones en la nube de AWS.<br/>· Procesar, transformar y preparar datos para tareas de ML utilizando servicios de AWS.<br/>· Seleccionar algoritmos de ML y enfoques de modelado adecuados según los requisitos del problema y la interpretabilidad del modelo.<br/>· Diseñar e implementar pipelines de ML escalables utilizando servicios de AWS para el entrenamiento, despliegue y orquestación de modelos.<br/>· Crear pipelines automatizados de integración y entrega continua (CI/CD) para flujos de trabajo de ML.<br/>· Discutir medidas de seguridad apropiadas para los recursos de ML en AWS.<br/>· Implementar estrategias de monitoreo para modelos de ML desplegados, incluyendo técnicas para detectar desviaciones en los datos (data drift).<br/><br/>Examen de certificación incluido: AWS Certified Machine Learning Engineer Associate.<br/>Incluye también suscripción a AWS Skill Builder durante al menos 6 meses.
PROGRAMA
Módulo 2: Introduction to Machine Learning (ML) on AWS
- Introduction to ML
- Amazon SageMaker AI
- Responsible ML
Módulo 3: Analyzing Machine Learning (ML) Challenges
- Evaluating ML business challenges
- ML training approaches
- ML training algorithms
Módulo 4: Data Processing for Machine Learning (ML)
- Data preparation and types
- Exploratory data analysis
- AWS storage options and choosing storage
Módulo 5: Data Transformation and Feature Engineering
- Handling incorrect, duplicated, and missing data
- Feature engineering concepts
- Feature selection techniques
- AWS data transformation services
- Lab 1: Analyze and Prepare Data with Amazon SageMaker Data Wrangler and Amazon EMR
- Lab 2: Data Processing Using SageMaker Processing and the SageMaker Python SDK
Módulo 6: Choosing a Modeling Approach
- Amazon SageMaker AI built-in algorithms
- Selecting built-in training algorithms
- Amazon SageMaker Autopilot
- Model selection considerations
- ML cost considerations
Módulo 7: Training Machine Learning (ML) Models
- Model training concepts
- Training models in Amazon SageMaker AI
- Lab 3: Training a model with Amazon SageMaker AI
Módulo 8: Evaluating and Tuning Machine Learning (ML) models
- Evaluating model performance
- Techniques to reduce training time
- Hyperparameter tuning techniques
- Lab 4: Model Tuning and Hyperparameter Optimization with Amazon SageMaker AI
Módulo 9: Model Deployment Strategies
- Deployment considerations and target options
- Deployment strategies
- Choosing a model inference strategy
- Container and instance types for inference
- Lab 5: Shifting Traffic A/B
Módulo 10: Securing AWS Machine Learning (ML) Resources
- Access control
- Network access controls for ML resources
- Security considerations for CI/CD pipelines
Módulo 11: Machine Learning Operations (MLOps) and Automated Deployment
- Introduction to MLOps
- Automating testing in CI/CD pipelines
- Continuous delivery services
- Lab 6: Using Amazon SageMaker Pipelines and the Amazon SageMaker Model Registry with Amazon SageMaker Studio
Módulo 12: Monitoring Model Performance and Data Quality
- Detecting drift in ML models
- SageMaker Model Monitor
- Monitoring for data quality and model quality
- Automated remediation and troubleshooting
- Lab 7: Monitoring a Model for Data Drift
Módulo 13: Course Wrap-up
RESPONSABLE DEL CURSO
TU COMUNIDAD
Foros de discusión
- Dudas sobre el curso de Amazon Web Services1 hilos
- Fotografía1 hilos
- Dudas sobre el curso de CSS2 hilos