En este curso, aprenderá a perfeccionar los modelos de machine learning (ML). Comienza por revisar los métodos para la mitigación del sesgo y el rendimiento del modelo, y aprende a evitar el ajuste excesivo e insuficiente del modelo. Luego, descubrirá cómo combinar métodos para mejorar el rendimiento del modelo y cómo utilizar el ajuste de hiperparámetros a fin de producir resultados optimizados del modelo.
También examinará las variaciones del tamaño y el control de versiones del modelo, y analizará cómo los servicios de Amazon SageMaker pueden ayudar en el proceso de perfeccionamiento del modelo.
- Nivel del curso: avanzado
- Duración: 2 horas
Actividades
- Materiales en línea
- Ejercicios
- Preguntas de evaluación de conocimientos
Objetivos del curso
- Definir e interpretar las métricas de evaluación del modelo, como el sesgo y la varianza del modelo.
- Describir los métodos para detectar el ajuste excesivo e insuficiente del modelo.
- Utilizar técnicas de regularización y selección de características para evitar un ajuste excesivo o insuficiente del modelo.
- Combinar varios modelos de entrenamiento mediante métodos por conjuntos, como potenciar, empaquetar y apilar, para mejorar el rendimiento de los modelos.
- Explicar cómo afectan los hiperparámetros al rendimiento del modelo.
- Definir las técnicas clave de ajuste de hiperparámetros.
- Realizar una optimización automatizada de hiperparámetros para mejorar el rendimiento del modelo.
- Identificar los factores clave que influyen en el tamaño del modelo.
- Reducir el tamaño del modelo mediante la poda iterativa del modelo.
- Utilizar conjuntos de datos personalizados para ajustar los modelos previamente entrenados con Amazon SageMaker JumpStart y Amazon Bedrock.
- Utilizar técnicas de regularización y selección de características para evitar un olvido catastrófico.
- Administrar las versiones del modelo para garantizar la repetibilidad y la auditoría mediante Amazon SageMaker Model Registry.
Audiencia objetivo
- Arquitectos de la nube
- Ingenieros de machine learning
Habilidades recomendadas
- Haber completado al menos un año de experiencia en el uso de SageMaker y otros servicios de AWS para la ingeniería de ML.
- Haber completado al menos un año de experiencia en un puesto relacionado, como desarrollador de software de backend, desarrollador de DevOps, ingeniero de datos o científico de datos.
- Una comprensión básica de los lenguajes de programación como Python.
- Haber completado los cursos anteriores del plan de aprendizaje 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: Ajuste excesivo e insuficiente del modelo
- Lección 5: Prevención del ajuste excesivo e insuficiente 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 Amazon SageMaker AMT
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: Perfeccionamiento de los modelos entrenados previamente
- Lección 12: Beneficios del ajuste fino de los modelos entrenados previamente
- Lección 13: Ajuste fino de modelos entrenados previamente con conjuntos de datos personalizados en AWS
- Lección 14: Prevención del olvido catastrófico
Sección 6: Control de versiones de los modelos
- Lección 15: Beneficios de Amazon SageMaker Model Registry
- Lección 16: Registro e implementación de modelos con SageMaker Model Registry
Sección 7: Conclusión
- Lección 17: Resumen del curso
- Lección 18: Evaluación
- Lección 19: Contáctenos
