AWS ML Engineer Associate 2.3 Refine Models (繁體中文)

在本課程中，您將學習如何精簡機器學習 (ML) 模型。您可以先檢閱偏差緩解和模型效能的方法，並學習如何防止模型過度擬合和低度擬合。然後，您會發現如何結合方法來提高模型效能，以及如何使用超參數調校來產生最佳化的模型結果。

您也將了解模型大小的差異和模型版本控制，並探索 Amazon SageMaker 服務如何協助模型精簡過程。

• 課程等級：進階
• 課程時間：2 小時

活動

• 線上教材
• 練習
• 知識檢測問題

課程目標

• 定義和解釋模型評估指標，例如模型偏差和模型差異。
• 描述偵測模型過度擬合和低度擬合的方法。
• 使用正規化技術和特徵選取，以防止模型過度擬合和低度擬合。
• 透過提升、裝袋和堆疊等組合方法結合多種訓練模型，以提高模型效能。
• 說明超參數如何影響模型效能。
• 定義關鍵超參數調校技術。
• 執行自動化超參數最佳化以提高模型效能。
• 找出影響模型大小的關鍵因素。
• 使用反覆模型修剪，將模型縮小。
• 運用 Amazon SageMaker JumpStart 和 Amazon Bedrock，使用自訂資料集微調預先訓練的模型。
• 使用正規化技術和特徵選取，以防止災難性遺忘。
• 使用 Amazon SageMaker 模型註冊庫管理模型版本，以滿足重複性和稽核目的。

目標對象

• 雲端架構師
• 機器學習工程師

建議技能

• 在使用 SageMaker 和其他用於機器學習工程的 AWS 服務方面，擁有至少 1 年的經驗
• 在後端軟體開發人員、DevOps 開發人員、資料工程師或資料科學家等相關職務，擁有至少 1 年的經驗
• 對 Python 等程式設計語言有基本理解
• 完成 AWS ML Engineer Associate 學習計畫中的先前課程

課程大綱

第 1 節：簡介

• 第 1 課：如何運用本課程
• 第 2 課：課程概觀
• 第 3 課：評估模型效能

第 2 節：模型擬合

• 第 4 課：模型過度擬合和低度擬合
• 第 5 課：模型過度擬合和低度擬合預防
• 第 6 課：效能提升的模型組合

第 3 節：超參數調校

• 第 7 課：超參數調校的優勢
• 第 8 課：超參數調校技術
• 第 9 課：使用 Amazon SageMaker AMT 進行超參數調校

第 4 節：管理模型大小

• 第 10 課：模型大小因素
• 第 11 課：模型大小縮小技術

第 5 節：精簡預先訓練的模型

• 第 12 課：微調預先訓練模型的優勢
• 第 13 課：使用 AWS 上的自訂資料集微調預先訓練的模型
• 第 14 課：災難性遺忘預防

第 6 節：模型版本控制

• 第 15 課：Amazon SageMaker 模型註冊庫的優勢
• 第 16 課：使用 SageMaker 模型註冊庫註冊和部署模型

第 7 節：結論

• 第 17 課：課程總結
• 第 18 課：評量
• 第 19 課：聯絡我們