Dans ce cours, vous aborderez les éléments principaux du processus d'entraînement de modèle et apprendrez à sélectionner l'environnement de calcul le mieux adapté à vos exigences d'entraînement spécifiques. Vous explorerez Amazon SageMaker et les conteneurs Docker du framework de deep learning et images Docker de la bibliothèque ML prédéfinie, qui fournissent un moyen efficace de développer et d'entraîner vos modèles.
En outre, vous allez acquérir une expérience pratique du développement de modèles de machine learning à l'aide des algorithmes et bibliothèques intégrés de SageMaker. Vous apprendrez également à utiliser le mode script de SageMaker, qui prend en charge des frameworks populaires comme Apache MXNet, TensorFlow et PyTorch. Ce cours vous permettra d'acquérir les connaissances et les compétences nécessaires pour utiliser ces outils et frameworks puissants afin de créer des modèles robustes et précis.
En outre, vous découvrirez diverses techniques permettant de réduire le temps d'entraînement des modèles, un aspect crucial pour optimiser les performances et l'efficacité globales de vos flux de travail de machine learning. En arrivant à la fin du cours, vous aurez compris le processus d'entraînement de modèle. Enfin, vous apprendrez à prendre des décisions éclairées en matière de sélection de l'environnement de calcul, des frameworks et des stratégies d'optimisation appropriés pour vos cas d'utilisation spécifiques.
- Niveau du cours : avancé
- Durée : 1,5 heure
Activités
- Documents en ligne
- Exercices
- Questions de contrôle des connaissances
Objectifs du cours
- Définir les éléments principaux du processus d'entraînement de modèle.
- Sélectionner le meilleur environnement de calcul pour l'entraînement en fonction de vos besoins spécifiques.
- Identifier les conteneurs Docker du framework de deep learning prédéfini de SageMaker.
- Identifier les images Docker de la bibliothèque ML prédéfinie de SageMaker.
- Développer des modèles de machine learning à l'aide d'algorithmes et bibliothèques de ML intégrés à SageMaker.
- Développer des modèles de ML à l'aide d'Amazon SageMaker Studio.
- Développer des modèles de ML à l'aide du mode script de SageMaker et des frameworks pris en charge, notamment Apache MXNet, TensorFlow et PyTorch.
- Décrire les méthodes courantes permettant de réduire le temps d'entraînement de modèle.
- Décrire la manière d'intégrer des modèles externes dans SageMaker.
Public visé
- Architectes cloud
- Ingénieurs Machine learning
Compétences recommandées
- Au moins un an d'expérience dans l'utilisation de SageMaker et d'autres services AWS pour l'ingénierie ML
- Au moins un an d'expérience dans un rôle connexe tel que développeur de logiciels backend, développeur DevOps, ingénieur de données ou data scientist
- Compréhension fondamentale des langages de programmation tels que Python
- Achèvement des cours précédents du programme d'apprentissage AWS ML Engineer Associate
Déroulement du cours
Section 1 : Introduction
- Leçon 1 : Comment utiliser ce cours
- Leçon 2 : Présentation du cours
- Leçon 3 : Concepts d'entraînement des modèles
Section 2 : Environnements de calcul
- Leçon 4 : Sélection de l'environnement de calcul
- Leçon 5 : Services de conteneur AWS
Section 3 : Entraîner un modèle
- Leçon 6 : Créer une tâche d'entraînement à l'aide de la console Amazon SageMaker
- Leçon 7 : Entraîner un modèle à l'aide d'un algorithme intégré de SageMaker
- Leçon 8 : Entraîner un modèle à l'aide du mode script de SageMaker
- Leçon 9 : Méthodes permettant de réduire le temps d'entraînement
Section 4 : Modèles externes
- Leçon 10 : Intégration de modèles externes dans SageMaker
Section 5 : Conclusion
- Leçon 11 : Résumé du cours
- Leçon 12 : Évaluation
- Leçon 13 : Nous contacter
