En este curso, profundizarás en los elementos principales del proceso de entrenamiento de modelos y aprenderás a seleccionar el entorno de computación más adecuado para tus requisitos de entrenamiento específicos. Explorarás Amazon SageMaker los contenedores de Docker de marcos de trabajo de aprendizaje profundo creados previamente y las imágenes de Docker de las bibliotecas de ML, que proporcionan una forma eficaz de desarrollar y entrenar los modelos.

Además, adquirirás experiencia práctica en el desarrollo de modelos de machine learning mediante los algoritmos y bibliotecas integrados de SageMaker. También aprenderás a usar el modo de script de SageMaker, que admite marcos de trabajo populares como Apache MXNet, TensorFlow y PyTorch. Este curso te equipará con los conocimientos y las habilidades para usar estas eficaces herramientas y marcos de trabajo para crear modelos sólidos y precisos.

Además, aprenderás sobre varias técnicas para reducir el tiempo de entrenamiento de los modelos, que es un aspecto crucial para optimizar el rendimiento general y la eficiencia de los flujos de trabajo de machine learning. Al final de este curso, entenderás el proceso de entrenamiento de modelos. Por último, aprenderás a tomar decisiones informadas al seleccionar el entorno de computación, los marcos de trabajo y las estrategias de optimización adecuados para tus casos prácticos específicos.

Nivel del curso: avanzado
Duración: 1,5 horas

Actividades

Materiales en línea
Ejercicios
Preguntas de la prueba de conocimientos

Objetivos del curso

Definir los elementos principales del proceso de entrenamiento de modelos.
Seleccionar el mejor entorno de computación para el entrenamiento en función de los requisitos específicos.
Identificar los contenedores de Docker del marco de trabajo de aprendizaje profundo creados previamente de SageMaker.
Identificar las imágenes de Docker de la biblioteca de ML creadas previamente de SageMaker.
Desarrollar modelos de ML con las bibliotecas y algoritmos de ML integrados de SageMaker.
Desarrollar modelos de ML con Amazon SageMaker Studio.
Desarrollar modelos de ML mediante el modo de script de SageMaker y marcos de trabajo compatibles, como Apache MXNet, TensorFlow y PyTorch.
Describir los métodos comunes para reducir el tiempo del entrenamiento de modelos.
Describir cómo integrar modelos externos en SageMaker.

Público objetivo

Arquitectos de la nube
Ingenieros de machine learning

Habilidades recomendadas

Completaste al menos 1 año de experiencia de uso de SageMaker y otros servicios de AWS para la ingeniería de ML
Completaste al menos 1 año de experiencia en un rol relacionado, como desarrollador de software de backend, desarrollador de DevOps, ingeniero de datos o científico de datos
Una comprensión fundamental de los lenguajes de programación como Python
Completaste los cursos anteriores del plan de formación de AWS ML Engineer Associate