AWS ML Engineer Associate 2.2 Train Models (繁體中文)

在本課程中，您將深入研究模型訓練過程的核心元素，並學習如何選取最適合您的特定訓練需求的運算環境。您將探索 Amazon SageMaker 以及預先建置的深度學習架構 Docker 容器和 ML 程式庫 Docker 映像檔，它們提供了開發和訓練模型的高效方法。

此外，您將獲得使用 SageMaker 內建演算法和程式庫開發機器學習模型的實踐體驗。您還將學習使用 SageMaker 指令碼模式，該模式支援 Apache MXNet、TensorFlow 以及 PyTorch 等熱門架構。本課程將為您提供使用這些強大的工具和架構來建置穩健且準確的模型的知識和技能。

此外，您將了解縮短模型訓練時間的各種技術，這是最佳化機器學習工作流程的整體效能和效率的關鍵環節。在本課程結束時，您將了解模型訓練過程。最後，您將學會在為您的特定使用案例選取合適的運算環境、架構和最佳化策略時做出明智的決策。

• 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

• 定義模型訓練過程中的核心元素。
• 根據特定需求，選取最佳的運算環境進行訓練。
• 識別 SageMaker 預先建置的深度學習架構 Docker 容器。
• 識別 SageMaker 預先建置的 ML 程式庫 Docker 映像檔。
• 使用 SageMaker 內建的 ML 演算法和程式庫開發 ML 模型。
• 使用 Amazon SageMaker Studio 開發 ML 模型。
• 使用 SageMaker 指令碼模式和支援的架構 (例如 Apache MXNet、TensorFlow 以及 PyTorch) 來開發 ML 模型。
• 描述縮短模型訓練時間的常見方法。
• 描述如何將外部模型整合到 SageMaker 之中。

目標對象

• 雲端架構師
• 機器學習工程師

建議技能

• 至少具備 1 年使用 SageMaker 和其他 AWS 服務進行 ML 工程的經驗
• 至少具備 1 年擔任後端軟體開發人員、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：課程概觀
• 第 3 課：模型訓練概念

第 2 節：運算環境

• 第 4 課：運算環境選擇
• 第 5 課：AWS 容器服務

第 3 節：訓練模型

• 第 6 課：使用 Amazon SageMaker 主控台建立訓練任務
• 第 7 課：使用 SageMaker 內建演算法訓練模型
• 第 8 課：使用 SageMaker 指令碼模式訓練模型
• 第 9 課：縮短訓練時間的方法

第 4 節：外部模型

• 第 10 課：將外部模型整合到 SageMaker

第 5 節：結論

• 第 11 課：課程總結
• 第 12 課：評量
• 第 13 課：聯絡我們