Dieser Kurs behandelt einen Teil der Datenaufbereitungsphase des Machine Learning (ML)-Lebenszyklus. In diesem Kurs lernst du die Grundlagen der Daten kennen, einschließlich der Erkennung von Datentypen, der Differenzierung zwischen effektiven und ineffektiven Daten und der Visualisierung und Analyse von Daten. Du lernst einige wichtige Speicherservices von Amazon Web Services (AWS) kennen, die während des

ML-Prozesses verwendet werden, z. B. Amazon Simple Storage Service (Amazon S3). Dieser Kurs informiert dich darüber, wie du die effektivste Lösung in Bezug auf AWS-Speicher und Datenformat für deine spezifischen ML-Anforderungen auswählen kannst. Und schließlich erhältst du weitere Informationen über einige AWS-Services wie AWS Kinesis, die dir helfen, Daten zu erfassen, zu extrahieren und zusammenzuführen.

Kursstufe: Fortgeschritten
Dauer: 60 Minuten

Aktivitäten

Online-Materialien
Eine Demo
Fragen zur Wissensüberprüfung
Eine Kursbewertung

Kursziele

Die Grundlagen der Datensammlung beschreiben.
Datenformate und Erfassungsmechanismen definieren.
Verschiedene Methoden der Datenvisualisierung beschreiben.
Speicheroptionen beschreiben, die für die ML-Datensammlung in AWS zur Verfügung stehen, einschließlich Anwendungsfälle und Kompromisse.
Die effektivste Lösung für den Speicher auf der Grundlage von Kosten, Leistung und Datenstruktur auswählen.
Das geeignete Datenformat für eine ML-Aufgabe auf der Grundlage von Datenzugriffsmustern auswählen.
Das Streamen von AWS-Datenquellen für die Datenerfassung beschreiben.
Daten aus AWS-Speicherservices extrahieren, indem du AWS-Services verwendest, die die Datenübertragung unterstützen.
Beschreiben, wie Daten aus mehreren Quellen zusammengeführt werden.
Die Ursache von Problemen bei der Datenerfassung und -speicherung ermitteln, die die Kapazität und Skalierbarkeit beeinflussen.

Zielgruppe

Cloud-Architekten(innen)
Machine Learning Engineers

Empfohlene Fertigkeiten

Mindestens 1 Jahr Erfahrung mit Amazon SageMaker und anderen AWS-Services für ML-Engineering.
Mindestens 1 Jahr Erfahrung in einer verwandten Position wie Backend-Softwareentwickler, DevOps-Entwickler, Dateningenieur oder Datenwissenschaftler.
Ein grundlegendes Verständnis von Programmiersprachen wie Python.
Frühere Kurse im AWS ML Engineer Associate Learning Plan.