En este curso, aprenderás a refinar los modelos de machine learning. Primero analizarás los métodos para la mitigación del sesgo y el rendimiento del modelo, y aprenderás a evitar el sobreajuste y subajuste del modelo. Luego, descubrirás cómo combinar métodos para mejorar el rendimiento del modelo y cómo utilizar el ajuste de hiperparámetros para producir resultados optimizados del modelo.
También examinarás las variaciones del tamaño y el control de versiones del modelo, y analizarás cómo los servicios de Amazon SageMaker pueden ayudar en el proceso de refinamiento del modelo.
- Nivel del curso: Avanzado
- Duración: 2 horas
Actividades
- Materiales en línea
- Ejercicios
- Preguntas de prueba de conocimientos
Objetivos del curso
- Define e interpreta las métricas de evaluación del modelo, como el sesgo y la varianza del modelo.
- Describe los métodos para detectar el sobreajuste y subajuste del modelo.
- Usa técnicas de regularización y selección de características para evitar un sobreajuste o subajuste del modelo.
- Combina varios modelos de entrenamiento mediante métodos de conjuntos, como los de potenciación, embolsado y apilamiento, para mejorar el rendimiento de los modelos.
- Explica cómo afectan los hiperparámetros al rendimiento del modelo.
- Define las técnicas clave de ajuste de hiperparámetros.
- Realiza una optimización automatizada de hiperparámetros para mejorar el rendimiento del modelo.
- Identifica los factores clave que influyen en el tamaño del modelo.
- Reduce el tamaño del modelo mediante la poda iterativa.
- Utiliza conjuntos de datos personalizados para ajustar los modelos previamente entrenados con Amazon SageMaker JumpStart y Amazon Bedrock.
- Usa técnicas de regularización y selección de características para evitar un olvido catastrófico.
- Administra las versiones del modelo para garantizar la repetibilidad y la auditoría mediante el registro de modelos de Amazon SageMaker.
Público objetivo
- Arquitectos de la nube
- Ingenieros de machine learning
Habilidades recomendadas
- Tienes al menos 1 año de experiencia de uso de SageMaker y otros servicios de AWS para la ingeniería de ML
- Tienes al menos un año de experiencia en un rol relacionado, como desarrollador de software de backend, desarrollador de DevOps, ingeniero de datos o científico de datos
- Una comprensión fundamental de los lenguajes de programación como Python
- Completaste los cursos anteriores del plan de aprendizaje de AWS ML Engineer Associate
Esquema del curso
Sección 1: Introducción
- Lección 1: Cómo utilizar este curso
- Lección 2: Información general del curso
- Lección 3: Evaluación del rendimiento del modelo
Sección 2: Ajuste del modelo
- Lección 4: Sobreajuste y subajuste del modelo
- Lección 5: Prevención del sobreajuste y subajuste del modelo
- Lección 6: Combinación de modelos para mejorar el rendimiento
Sección 3: Ajuste de hiperparámetros
- Lección 7: Beneficios del ajuste de hiperparámetros
- Lección 8: Técnicas de ajuste de hiperparámetros
- Lección 9: Ajuste de hiperparámetros con AMT de Amazon SageMaker
Sección 4: Administración del tamaño del modelo
- Lección 10: Factores de tamaño del modelo
- Lección 11: Técnicas de reducción del tamaño del modelo
Sección 5: Ajuste de modelos previamente entrenados
- Lección 12: Beneficios de refinar los modelos previamente entrenados
- Lección 13: Refinamiento de modelos previamente entrenados con conjuntos de datos personalizados en AWS
- Lección 14: Prevención del olvido catastrófico
Sección 6: Control de versiones de modelos
- Lección 15: Beneficios del registro de modelos de Amazon SageMaker
- Lección 16: Registro y despliegue de modelos con el registro de modelos de SageMaker
Sección 7: Conclusión
- Lección 17: Resumen del curso
- Lección 18: Evaluación
- Lección 19: Contáctanos
