In diesem Kurs lernst du, Modelle für maschinelles Lernen (ML) zu optimieren. Zunächst wirst du Methoden kennenlernen, um Modellverzerrungen zu vermeiden und die Modellleistung zu steigern. Und du lernst, wie du eine Über- und Unteranpassung von Modellen verhindern kannst. Anschließend erfährst du, wie du Methoden zur Verbesserung der Modellleistung kombinieren und mithilfe der Hyperparameter-Optimierung optimierte Modellergebnisse erzielen kannst.

Du wirst außerdem verschiedene Variationen von Modellgröße und Modellversionierung analysieren und herausfinden, wie Amazon-SageMaker-Services bei der Modellverfeinerung helfen können.

Kursstufe: Fortgeschritten
Dauer: 2 Stunden

Aktivitäten

Online-Materialien
Übungen
Fragen zum Wissenscheck

Kursziele

Modellbewertungsmetriken wie Modellverzerrung und Modellvarianz definieren und interpretieren
Methoden zur Erkennung von Über- und Unteranpassung von Modellen beschreiben
Regulierungstechniken und Merkmalsauswahl verwenden, um eine Über- und Unteranpassung von Modellen zu verhindern
Mehrere Trainingsmodelle mithilfe von Ensemble-Methoden wie Boosting, Bagging und Stacking kombinieren, um die Leistung des Modells zu verbessern
Erklären, wie sich Hyperparameter auf die Modellleistung auswirken
Wichtige Techniken zur Optimierung von Hyperparametern definieren
Eine automatische Hyperparameteroptimierung durchführen, um die Modellleistung zu verbessern
Schlüsselfaktoren identifizieren, die die Modellgröße beeinflussen
Die Modellgröße mithilfe von iterativer Modellbereinigung reduzieren
Benutzerdefinierte Datensätze verwenden, um vortrainierte Modelle mithilfe von Amazon SageMaker JumpStart und Amazon Bedrock zu optimieren
Regularisierungstechniken und die Funktionsauswahl nutzen, um katastrophales Vergessen zu verhindern
Modellversionen zwecks Wiederholbarkeit und Audits mit der Amazon SageMaker Model Registry verwalten

Zielgruppe

Cloud-Architekten
Machine Learning Engineers

Empfohlene Fähigkeiten

Mindestens 1 Jahr Erfahrung mit SageMaker und anderen AWS-Services für ML-Engineering (abgeschlossen)
Mindestens 1 Jahr Erfahrung in einer verwandten Position wie Backend-Softwareentwickler, DevOps-Entwickler, Dateningenieur oder Datenwissenschaftler (abgeschlossen).
Ein grundlegendes Verständnis von Programmiersprachen wie Python
Frühere Kurse im AWS ML Engineer Associate-Lernplan absolviert

Kursübersicht

Abschnitt 1: Einführung

Lektion 1: Verwendung dieses Kurses
Lektion 2: Kursübersicht
Lektion 3: Bewertung der Modellleistung

Abschnitt 2: Modellanpassung

Lektion 4: Über- und Unteranpassung von Modellen
Lektion 5: Vermeidung von Modellüberanpassungen und -unteranpassungen
Lektion 6: Modellkombination für verbesserte Leistung

Abschnitt 3: Hyperparameter-Optimierung

Lektion 7: Vorteile der Hyperparameter-Optimierung
Lektion 8: Techniken der Hyperparameter-Optimierung
Lektion 9: Hyperparameter-Optimierung mit Amazon SageMaker AMT

Abschnitt 4: Verwalten der Modellgröße

Lektion 10: Faktoren für die Modellgröße
Lektion 11: Methoden zur Reduzierung der Modellgröße

Abschnitt 5: Verfeinerung vortrainierter Modelle

Lektion 12: Vorteile der Feinabstimmung vortrainierter Modelle
Lektion 13: Feinabstimmung vortrainierter Modelle mit benutzerdefinierten Datensätzen in AWS
Lektion 14: Verhindern von katastrophalem Vergessen

Abschnitt 6: Modellversionierung