AWS ML Engineer Associate 2.4 Analyze Model Performance (Deutsch)

Dieser letzte Kurs in der Domain Modellentwicklung bietet Anleitungen zur Analyse der ML-Modellleistung. Du lernst die wichtigsten Konzepte und Techniken der Modellbewertung kennen, darunter auch Metriken für Klassifikations- und Regressionsprobleme. Du erfährst außerdem, wie du Konvergenzprobleme erkennen und reproduzierbare Experimente sichern kannst. Und schließlich verwendest du AWS-Services wie Amazon SageMaker Clarify und Amazon SageMaker Debugger , um beim Machine Learning (ML) Erkenntnisse aus Trainingsdaten und Modellproblemen zu gewinnen.

Kursstufe: Fortgeschritten
Dauer: 1,5 Stunden

Aktivitäten

Online-Materialien
Übungen
Fragen zum Wissenscheck

Kursziele

Methoden für die Erstellung von Leistungsbasislinien ermitteln.
Kompromisse zwischen Modellleistung, Trainingszeit und Kosten beurteilen.
Techniken und Metriken zur Bewertung von Klassifikationsproblemen bestimmen.
Techniken und Metriken zur Bewertung von Regressionsproblemen bestimmen.
Konvergenzprobleme identifizieren und Probleme mit der Modellkonvergenz mit Amazon SageMaker Training Compiler und Amazon SageMaker AMT verhindern.
SageMaker-Clarify-Metriken identifizieren, um Erkenntnisse aus ML-Trainingsdaten und -modellen zu gewinnen.
SageMaker Clarify verwenden, um Modellausgaben zu interpretieren.
Beschreiben, wie reproduzierbare Experimente mithilfe von AWS-Services durchgeführt werden.
SageMaker Model Debugger verwenden, um die Modellkonvergenz zu debuggen.

Zielgruppe

Cloud-Architekten(innen)
Machine Learning Engineers

Empfohlene Fertigkeiten

Mindestens 1 Jahr Erfahrung mit SageMaker und anderen AWS-Services für ML-Engineering
Mindestens ein Jahr Erfahrung in einer verwandten Rolle wie Backend-Softwareentwickler, DevOps-Entwickler, Dateningenieur oder Datenwissenschaftler
Ein grundlegendes Verständnis von Programmiersprachen wie Python
Frühere Kurse im AWS ML Engineer Associate Learning Plan absolviert