Coursera Flash Sale
40% Off Coursera Plus for 3 Months!
Grab it
Este curso final del dominio de desarrollo de modelos proporciona instrucciones para analizar el rendimiento del modelo de ML. Aprenderá los conceptos y las técnicas clave para la evaluación del modelo, incluidas las métricas de los problemas de clasificación y regresión. También aprenderá a identificar los problemas de convergencia y a garantizar una experimentación reproducible. Por último, utilizará los servicios de AWS, como Amazon SageMaker Clarify y Amazon SageMaker Debugger, para obtener información sobre los datos de entrenamiento de machine learning (ML) y los problemas del modelo.
- Nivel del curso: avanzado
- Duración: 1,5 horas
Actividades
- Materiales en línea
- Ejercicios
- Preguntas de evaluación de conocimientos
Objetivos del curso
- Determinar los métodos para crear bases de referencia de rendimiento.
- Evaluar las compensaciones entre el rendimiento del modelo, el tiempo de entrenamiento y el costo.
- Determinar las técnicas y métricas de evaluación de los problemas de clasificación.
- Determinar las técnicas y métricas de evaluación de los problemas de regresión.
- Identificar los problemas de convergencia y evitar los problemas de convergencia del modelo con Amazon SageMaker Training Compiler y Amazon SageMaker Automatic Model Tuning (AMT).
- Identificar las métricas de SageMaker Clarify para obtener información sobre los modelos y datos de entrenamiento de ML.
- Utilizar SageMaker Clarify para interpretar los resultados del modelo.
- Describir cómo realizar experimentos reproducibles con los servicios de AWS.
- Utilizar SageMaker Model Debugger para depurar la convergencia del modelo.
Audiencia objetivo
- Arquitectos de la nube
- Ingenieros de machine learning
Habilidades recomendadas
- Tener al menos 1 año de experiencia en el uso de SageMaker y otros servicios de AWS para ingeniería de ML
- Tener al menos 1 año de experiencia en un rol relacionado, como desarrollador de software de backend, desarrollador de DevOps, ingeniero de datos o científico de datos
- Comprender 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: Bases de referencia de rendimiento
- Sección 2: Evaluación del modelo
- Lección 4: Métricas y técnicas de evaluación del modelo
- Lección 5: Problemas de convergencia
- Lección 6: Depuración de la convergencia de modelos con SageMaker Debugger
- Lección 7: Información general de SageMaker Clarify y las métricas
- Lección 8: Interpretación de los resultados del modelo con SageMaker Clarify
- Lección 9: Amazon SageMaker Experiments
- Sección 3: Conclusión
- Lección 10: Resumen del curso
- Lección 11: Evaluación
- Lección 12: Contáctenos
