Deep Learning on AWS

Ten kurs jest przeznaczony dla:

• Programistów odpowiedzialnych za opracowywanie aplikacji z zakresu głębokiego uczenia maszynowego

• Programistów, którzy chcą zrozumieć koncepcje stojące za głębokim uczeniem oraz sposób implementacji rozwiązania deep learning w chmurze AWS

W tym kursie nauczysz się:

• Jak zdefiniować uczenie maszynowe (ML) i głębokie uczenie (deep learning)

• Jak rozpoznać kluczowe pojęcia w ekosystemie głębokiego uczenia

• Jak wykorzystać Amazon SageMaker oraz framework MXNet do realizacji zadań związanych z głębokim uczeniem

• Jak dopasować rozwiązania AWS do wdrożeń związanych z głębokim uczeniem.

Zalecamy, aby uczestnicy tego kursu posiadali:

• Podstawową wiedzę na temat procesów uczenia maszynowego (ML)

• Znajomość podstawowych usług AWS, takich jak Amazon EC2 i AWS SDK

• Znajomość języka skryptowego, takiego jak Python.

• Polski

Moduł 1: Przegląd uczenia maszynowego (ML)

• Krótkie wprowadzenie do historii AI, ML i DL

• Znaczenie biznesowe uczenia maszynowego (ML)

• Typowe wyzwania w uczeniu maszynowym

• Różne rodzaje problemów i zadań związanych z uczeniem maszynowym

• AI na platformie AWS

Moduł 2: Wprowadzenie do głębokiego uczenia (DL)

• Wprowadzenie do głębokiego uczenia (DL)

• Kluczowe pojęcia w głębokim uczeniu

• Podsumowanie procesu trenowania modeli DL na platformie AWS

• Wprowadzenie do Amazon SageMaker

• Ćwiczenie praktyczne: Uruchamianie instancji notebooka Amazon SageMaker i trenowanie modelu sieci neuronowej perceptronu wielowarstwowego

Moduł 3: Wprowadzenie do Apache MXNet

• Motywacja i korzyści z używania MXNet oraz Gluon

• Ważne pojęcia i interfejsy API w MXNet

• Architektura sieci neuronowych konwolucyjnych (CNN)

• Ćwiczenie praktyczne: Trenowanie sieci CNN na zbiorze danych CIFAR-10

Moduł 4: Architektury ML i DL na AWS

• Usługi AWS do wdrażania modeli DL (AWS Lambda, AWS IoT Greengrass, Amazon ECS, AWS Elastic Beanstalk)

• Wprowadzenie do usług AI na AWS opartych na DL (Amazon Polly, Amazon Lex, Amazon Rekognition)

• Ćwiczenie praktyczne: Wdrażanie wytrenowanego modelu do prognozowania na AWS Lambda.