En este curso, profundizará en los elementos principales del proceso de entrenamiento de modelos y aprenderá a seleccionar el entorno de computación más adecuado para sus requisitos de entrenamiento específicos. Explorará Amazon SageMaker y el marco de trabajo de aprendizaje profundo prediseñado, los contenedores de Docker y las imágenes de Docker de la biblioteca de ML, que proporcionan una forma eficaz de desarrollar y entrenar sus modelos.

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

Además, aprenderá 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 sus flujos de trabajo de machine learning. Al final de este curso, comprenderá el proceso de entrenamiento de modelos. Por último, aprenderá a tomar decisiones informadas al seleccionar el entorno de computación, los marcos de trabajo y las estrategias de optimización adecuados para sus casos prácticos específicos.

Nivel del curso: avanzado
Duración: 1,5 horas

Actividades

Materiales en línea
Ejercicios
Preguntas de evaluación 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 prediseñado de SageMaker.
Identificar las imágenes de Docker prediseñadas con bibliotecas de ML de SageMaker.
Desarrollar modelos de ML con las bibliotecas y los algoritmos de ML integrados de SageMaker.
Desarrollar modelos de ML con Amazon SageMaker Studio.
Desarrollar modelos de ML con el modo script de SageMaker y los marcos de trabajo compatibles, como Apache MXNet, TensorFlow y PyTorch.
Describir los métodos comunes para reducir el tiempo de entrenamiento de los modelos.
Describir cómo integrar los modelos externos en SageMaker.

Destinatarios

Arquitectos de la nube
Ingenieros de machine learning

Habilidades recomendadas

Haber completado al menos 1 año de experiencia en el uso de SageMaker y otros servicios de AWS para la ingeniería de ML.
Haber completado al menos 1 año de experiencia en un puesto relacionado, como desarrollador de software de backend, desarrollador de DevOps, ingeniero de datos o científico de datos.
Una comprensión básica de los lenguajes de programación, como Python.
Haber completado cursos anteriores del plan de aprendizaje AWS ML Engineer Associate.

Esquema del curso

Sección 1: introducción

Lección 1: cómo utilizar este curso
Lección 2: información general del curso
Lección 3: conceptos de entrenamiento de modelos

Sección 2: entornos de computación

Lección 4: selección del entorno de computación
Lección 5: servicios de contenedores de AWS

Sección 3: entrenamiento de un modelo

Lección 6: creación de un trabajo de entrenamiento con la consola de Amazon SageMaker
Lección 7: entrenamiento de un modelo con un algoritmo integrado de SageMaker
Lección 8: entrenamiento de un modelo con el modo script de SageMaker
Lección 9: métodos para reducir el tiempo de entrenamiento

Sección 4: modelos externos