Moduł 1: Wprowadzenie do uczenia maszynowego

Rodzaje ML
Role zawodowe w ML
Kroki w procesie ML

Moduł 2: Wprowadzenie do przygotowania danych i SageMaker

Definicja zbiorów danych treningowych i testowych
Wprowadzenie do SageMaker
Demonstracja: Konsola SageMaker
Demonstracja: Uruchamianie notatnika Jupyter

Moduł 3: Formułowanie problemu i przygotowanie zbioru danych

Wyzwanie biznesowe: Utrata klientów
Przegląd zbioru danych dotyczącego utraty klientów

Moduł 4: Analiza danych i wizualizacja

Demonstracja: Ładowanie i wizualizacja zbioru danych
Ćwiczenie 1: Powiązanie cech z zmiennymi docelowymi
Ćwiczenie 2: Zależności między atrybutami
Demonstracja: Czyszczenie danych

Moduł 5: Trenowanie i ocena modelu

Rodzaje algorytmów
XGBoost i SageMaker
Demonstracja: Trenowanie danych
Ćwiczenie 3: Zakończenie definicji estymatora
Ćwiczenie 4: Ustawienie hiperparametrów
Ćwiczenie 5: Wdrożenie modelu
Demonstracja: Strojenie hiperparametrów za pomocą SageMaker
Demonstracja: Ocena wydajności modelu

Moduł 6: Automatyczne strojenie modelu

Automatyczne strojenie hiperparametrów z SageMaker
Ćwiczenia 6-9: Zadania związane z tuningiem

Moduł 7: Wdrożenie / gotowość do produkcji

Wdrożenie modelu na punkt końcowy
Wdrożenie A/B do testów
Auto Scaling
Demonstracja: Konfigurowanie i testowanie auto scalingu
Demonstracja: Sprawdzanie zadania strojenia hiperparametrów
Demonstracja: AWS Auto Scaling
Ćwiczenia 10-11: Konfiguracja AWS Auto Scaling

Moduł 8: Względny koszt błędów

Koszt różnych typów błędów
Demonstracja: Próg klasyfikacji binarnej

Moduł 9: Architektura i funkcje Amazon SageMaker

Dostęp do notatników Amazon SageMaker w VPC
Amazon SageMaker batch transforms
Amazon SageMaker Ground Truth
Amazon SageMaker Neo