AWS ML Engineer Associate 2.1 Choose a Modeling Approach (繁體中文)

探索 AWS ML 堆疊層，並了解如何使用 AWS 服務解決常見的商業挑戰。本課程探討如何使用 Amazon SageMaker 進行機器學習任務，以及如何檢閱選取適當模型的策略。

此外，本課程強調預先訓練的 Amazon SageMaker JumpStart ML 解決方案的特定案例，並指導如何針對業務需求最佳化選擇。本課程也會討論預先訓練的 Amazon Bedrock ML 解決方案的特定應用程式，以及如何識別最適當的內建解決方案。最後，本課程探討可解釋性在模型和演算法選擇中的重要性。

• 課程等級：進階
• 持續時間：1.5 小時

活動

• 線上教材
• 練習
• 知識檢測問題

課程目標

• 闡明 AWS 機器學習堆疊每個層級的優勢和使用案例。
• 說明 AWS 人工智慧 (AI) 服務如何協助解決常見的商業問題。
• 選取 AWS AI 服務來解決常見的業務需求。
• 描述使用 SageMaker 進行機器學習的優勢。
• 識別內建 SageMaker 演算法的特定使用案例。
• 選取最適當的機器學習模型演算法來解決常見的業務需求。
• 識別預先訓練的 SageMaker JumpStart 機器學習解決方案的特定使用案例。
• 選擇最適當的 SageMaker JumpStart 內建機器學習解決方案，以解決常見的業務需求。
• 描述可解釋性在選擇模型或演算法期間所扮演的角色。
• 選取最具成本效益的模型或演算法來解決常見的業務需求。

目標對象

• 雲端架構師
• 機器學習工程師

建議技能

• 在使用 SageMaker 和其他用於機器學習工程的 AWS 服務方面，擁有至少 1 年的經驗
• 在後端軟體開發人員、DevOps 開發人員、資料工程師或資料科學家等相關職務，擁有至少 1 年的經驗
• 對 Python 等程式設計語言有基本理解
• 完成 AWS ML Engineer Associate 學習計畫中的先前課程

課程大綱

第 1 節：簡介

• 第 1 課：如何運用本課程
• 第 2 課：領域 2 簡介
• 第 3 課：課程概觀
• 第 4 課：選擇建模方法

第 2 節：建模方法

• 第 5 課：AWS AI 服務
• 第 6 課：Amazon SageMaker 內建演算法
• 第 7 課：Amazon SageMaker JumpStart ML 解決方案
• 第 8 課：Amazon Bedrock ML 解決方案
• 第 9 課：模型選擇考量

第 3 節：結論

• 第 10 課：課程總結
• 第 11 課：評定
• 第 12 課：聯絡我們

關鍵字

• Gen AI
• 生成式 AI