Dans ce cours, vous apprendrez comment affiner les modèles de machine learning (ML). Vous commencerez par passer en revue les méthodes d'atténuation des biais et les performances des modèles, puis vous apprendrez à prévenir le surajustement et le sous-ajustement des modèles. Vous découvrirez ensuite comment combiner des méthodes pour améliorer les performances du modèle et comment utiliser le réglage des hyperparamètres pour produire des résultats de modèle optimisés.
Vous examinerez également les variations de taille et de version des modèles et vous découvrirez comment les services Amazon SageMaker peuvent contribuer au processus d'affinement des modèles.
- Niveau du cours : avancé
- Durée : 2 heures
Activités
- Documents en ligne
- Exercices
- Questions relatives à la vérification des connaissances
Objectifs du cours
- Définir et interpréter les paramètres d'évaluation des modèles tels que le biais et la variance du modèle.
- Décrire les méthodes de détection du surajustement et du sous-ajustement des modèles.
- Utiliser des techniques de régularisation et une sélection de caractéristiques pour éviter le surajustement et le sous-ajustement du modèle.
- Combiner plusieurs modèles d'entraînement grâce à des méthodes d'ensemble telles que le boosting, le bagging et le stacking pour améliorer les performances des modèles.
- Expliquer comment les hyperparamètres affectent les performances du modèle.
- Définir les principales techniques de réglage des hyperparamètres.
- Effectuer une optimisation automatique des hyperparamètres pour améliorer les performances du modèle.
- Identifier les facteurs clés qui influencent la taille du modèle.
- Réduire la taille du modèle en utilisant l'élagage itératif du modèle.
- Utiliser des ensembles de données personnalisés pour affiner les modèles pré-entraînés à l'aide d'Amazon SageMaker JumpStart et d'Amazon Bedrock.
- Utiliser des techniques de régularisation et sélectionner des caractéristiques pour éviter un oubli catastrophique.
- Gérer les versions des modèles à des fins de répétabilité et d'audit à l'aide du registre des modèles Amazon SageMaker.
Public visé
- Les architectes cloud
- Ingénieurs Machine Learning (ML)
Compétences recommandées
- Au moins un an d'expérience dans l'utilisation de SageMaker et d'autres services AWS pour l'ingénierie du machine learning
- Au moins un an d'expérience dans un poste connexe tel que développeur de logiciels backend, développeur DevOps, ingénieur de données ou data scientist
- Compréhension fondamentale des langages de programmation tels que Python
- Complétion les cours précédents du plan de formation AWS ML Engineer Associate
Déroulement du cours
Section 1 : introduction
- Leçon 1 : comment utiliser ce cours
- Leçon 2 : aperçu du cours
- Leçon 3 : évaluation des performances du modèle
Section 2 : ajustement du modèle
- Leçon 4 : surajustement et sous-ajustement du modèle
- Leçon 5 : prévention du surajustement et du sous-ajustement des modèles
- Leçon 6 : combinaison de modèles pour des performances améliorées
Section 3 : réglage des hyperparamètres
- Leçon 7 : avantages du réglage des hyperparamètres
- Leçon 8 : techniques de réglage des hyperparamètres
- Leçon 9 : réglage des hyperparamètres à l'aide d'Amazon SageMaker AMT
Section 4 : gestion de la taille du modèle
- Leçon 10 : facteurs de taille du modèle
- Leçon 11 : techniques de réduction de la taille du modèle
Section 5 : affiner les modèles préentraînés
- Leçon 12 : avantages du réglage fin des modèles pré-entraînés
- Leçon 13 : optimisation des modèles pré-entraînés avec des jeux de données personnalisés sur AWS
- Leçon 14 : prévention de l'oubli catastrophique
Section 6 : gestion des versions des modèles
- Leçon 15 : avantages du registre de modèles d'Amazon SageMaker
- Leçon 16 : enregistrement et déploiement de modèles avec le registre de modèles SageMaker
Section 7 : conclusion
- Leçon 17 : sommaire du cours
- Leçon 18 : évaluation
- Leçon 19 : nous contacter
