In questo corso imparerai come perfezionare i modelli di machine learning (ML). Inizierai esaminando i metodi per la mitigazione dei bias e le prestazioni del modello e imparerai a prevenire il sovradattamento e il sottoadattamento del modello. Quindi, scoprirai come combinare metodi per migliorare le prestazioni del modello e come utilizzare la messa a punto degli iperparametri per produrre risultati ottimizzati.
Esaminerai anche le variazioni delle dimensioni e delle versioni del modello e scoprirai come i servizi Amazon SageMaker possono aiutarti nel processo di perfezionamento.
- Livello del corso: Avanzato
- Durata: 2 ore
AttivitÃ
- Materiali online
- Esercizi
- Domande di verifica delle conoscenze
Obiettivi del corso
- Definire e interpretare le metriche di valutazione del modello, come il bias e la varianza del modello.
- Descrivere i metodi per rilevare il sovradattamento e il sottoadattamento del modello.
- Utilizzare le tecniche di regolarizzazione e la selezione delle caratteristiche per prevenire il sovradattamento e il sottoadattamento del modello.
- Combinare più modelli di addestramento tramite metodi d'insieme come potenziamento, bagging e stacking per migliorare le prestazioni del modello.
- Spiegare in che modo gli iperparametri influiscono sulle prestazioni del modello.
- Definire le principali tecniche di messa a punto degli iperparametri.
- Eseguire la messa a punto automatica degli iperparametri per migliorare le prestazioni del modello.
- Identificare i fattori chiave che influenzano le dimensioni del modello.
- Ridurre le dimensioni del modello utilizzando la potatura iterativa.
- Usare set di dati personalizzati per ottimizzare i modelli preaddestrati utilizzando Amazon SageMaker JumpStart e Amazon Bedrock.
- Usare tecniche di regolarizzazione e la selezione delle caratteristiche per prevenire una dimenticanza catastrofica.
- Gestire le versioni dei modelli per la ripetibilità e la verifica utilizzando Amazon SageMaker Model Registry.
Destinatari principali
- Architetti cloud
- Machine learning engineer
Competenze consigliate
- Avere almeno 1 anno di esperienza nell'uso di SageMaker e altri servizi AWS per l'ingegneria ML
- Avere almeno 1 anno di esperienza in un ruolo correlato, ad esempio come sviluppatore di software back-end, sviluppatore DevOps, data engineer o data scientist
- Avere una comprensione dei concetti fondamentali dei linguaggi di programmazione come Python
- Aver completato i corsi precedenti nel piano formativo AWS ML Engineer Associate
Programma del corso
Sezione 1: Introduzione
- Lezione 1: Come utilizzare questo corso
- Lezione 2: Panoramica del corso
- Lezione 3: Valutazione delle prestazioni del modello
Sezione 2: Adattamento del modello
- Lezione 4: Sovradattamento e sottoadattamento del modello
- Lezione 5: Prevenzione del sovradattamento e del sottoadattamento del modello
- Lezione 6: Combinazione di modelli per migliorare le prestazioni
Sezione 3: Messa a punto degli iperparametri
- Lezione 7: Vantaggi della messa a punto degli iperparametri
- Lezione 8: Tecniche di messa a punto degli iperparametri
- Lezione 9: Messa a punto degli iperparametri con Amazon SageMaker AMT
Sezione 4: Gestione delle dimensioni del modello
- Lezione 10: Fattori di dimensione del modello
- Lezione 11: Tecniche di riduzione delle dimensioni del modello
Sezione 5: Perfezionamento di modelli preaddestrati
- Lezione 12: Vantaggi dell’ottimizzazione di modelli preaddestrati
- Lezione 13: Ottimizzazione di modelli preaddestrati con set di dati personalizzati su AWS
- Lezione 14: Prevenzione delle dimenticanze catastrofiche
Sezione 6: Controllo delle versioni del modello
- Lezione 15: Vantaggi di Amazon SageMaker Model Registry
- Lezione 16: Registrazione e distribuzione dei modelli con SageMaker Model Registry
Sezione 7: Conclusione
- Lezione 17: Riepilogo del corso
- Lezione 18: Valutazione
- Lezione 19: Contattaci
