AWS ML Engineer Associate 2.2 Train Models (Italiano)

In questo corso, approfondirai gli elementi fondamentali del processo di addestramento dei modelli

e imparerai a selezionare l'ambiente di calcolo più adatto alle tue specifiche esigenze di addestramento. Esplorerai Amazon SageMaker e i container Docker preconfigurati del framework di deep learning 

e le immagini Docker della libreria di ML. Questi elementi ti offrono un modo efficiente per sviluppare 

e addestrare i modelli.

Inoltre acquisirai esperienza pratica nello sviluppo di modelli di machine learning utilizzando gli algoritmi integrati e le librerie di SageMaker. Imparerai anche a usare la modalità script di SageMaker, che supporta framework popolari come Apache MXNet, TensorFlow e PyTorch. Questo corso ti fornirà le conoscenze 

e le competenze necessarie per utilizzare questi strumenti e framework avanzati per creare modelli solidi e accurati.

Imparerai anche varie tecniche per ridurre i tempi di addestramento dei modelli, un aspetto cruciale 

per ottimizzare le prestazioni e l'efficienza complessive dei flussi di lavoro di machine learning. Alla fine 

di questo corso, sarai in grado di comprendere il processo di addestramento dei modelli. Infine, imparerai a prendere decisioni informate durante la scelta dell'ambiente di calcolo, dei framework e delle strategie 

di ottimizzazione appropriati per i tuoi casi d'uso specifici.

• Livello del corso: avanzato
• Durata: 1,5 ore

Attività

• Materiali online
• Esercizi
• Domande di verifica delle conoscenze

Obiettivi del corso

• Definire gli elementi fondamentali nel processo di addestramento del modello.
• Selezionare il miglior ambiente di calcolo per l'addestramento in base a requisiti specifici.
• Identificare i container Docker preconfigurati del framework di deep learning di SageMaker.
• Identificare le immagini Docker preconfigurate della libreria di ML di SageMaker.
• Sviluppare modelli di ML utilizzando gli algoritmi integrati e le librerie di ML di SageMaker.
• Sviluppare modelli di ML utilizzando Amazon SageMaker Studio.
• Sviluppare modelli utilizzando la modalità script di SageMaker e i framework supportati, 
• come Apache MXNet, TensorFlow e PyTorch.
• Descrivere i metodi comunemente usati per ridurre i tempi dell'addestramento dei modelli.
• Descrivere come integrare modelli esterni in SageMaker.

Destinatari principali

• Cloud architect
• Machine learning engineer

Competenze consigliate

• Avere almeno 1 anno di esperienza nell'uso di SageMaker e altri servizi AWS nell'ambito dell'ingegneria di ML
• Avere almeno 1 anno di esperienza in un ruolo correlato, ad esempio come sviluppatore 
• di software back-end, sviluppatore DevOps, data engineer o data scientist.
• Avere una comprensione dei concetti fondamentali dei linguaggi di programmazione 
• come Python.
• Aver completato i corsi precedenti nel piano formativo AWS ML Engineer Associate

Programma del corso

Sezione 1: Introduzione

• Lezione 1: Come utilizzare questo corso
• Lezione 2: Panoramica del corso
• Lezione 3: Concetti relativi all'addestramento dei modelli

Sezione 2: Ambienti di calcolo

• Lezione 4: Selezione dell'ambiente di calcolo
• Lezione 5: Servizi di container AWS

Sezione 3: Addestramento di un modello

• Lezione 6: Creazione di un job di addestramento utilizzando la console Amazon SageMaker
• Lezione 7: Addestramento di un modello utilizzando un algoritmo integrato di SageMaker
• Lezione 8: Addestramento di un modello utilizzando la modalità SageMaker Script
• Lezione 9: Metodi per ridurre i tempi di addestramento

Sezione 4: Modelli esterni

• Lezione 10: Integrazione di modelli esterni in SageMaker

Sezione 5: Conclusione

• Lezione 11: Riepilogo del corso
• Lezione 12: Valutazione
• Lezione 13: Contattaci