AWS Engenheiro de ML AWS Associate 2.1: Como definir uma estratégia de modelagem (Português) | AWS ML Engineer Associate 2.1 Choose a Modeling Approach (Portuguese)

via AWS Skill Builder

Resumen

Ingeniero de ML de AWS Asociado 2.1: Cómo definir una estrategia de modelado (Español) | AWS ML Engineer Associate 2.1 Choose a Modeling Approach (Spanish)

Conozca más sobre las capas de la pila de ML de AWS y vea cómo es posible solucionar problemas empresariales utilizando los servicios de AWS. En este curso, aprenderá a utilizar Amazon SageMaker en tareas de machine learning y a revisar estrategias de selección de modelos.

Además, el curso presenta escenarios específicos de soluciones de ML preentrenadas de Amazon SageMaker JumpStart, y enseña a optimizar las elecciones de esos modelos de acuerdo con el caso de uso correspondiente. El curso también abordará aplicaciones específicas para las soluciones de ML preentrenadas de Amazon Bedrock, explorando las opciones de integración y enseñando a identificar la solución más adecuada. Por último, también se discutirá la relevancia de la interpretabilidad en la elección de modelos y algoritmos.

Nivel del curso: 300
Duración: 1,5 horas

Actividades

Materiales en línea
Ejercicios
Prueba de conocimiento

Objetivos del curso

Comprender y ser capaz de articular los beneficios y casos de uso de cada capa de la pila de machine learning de AWS.
Explicar cómo los servicios de inteligencia artificial (IA) de AWS pueden ser aplicados para solucionar desafíos comerciales comunes.
Identificar qué servicios de IA de AWS son más eficientes para resolver problemas comerciales comunes.
Explicar las ventajas de utilizar SageMaker en proyectos de machine learning.
Identificar los casos de uso específicos de los algoritmos integrados de SageMaker.
Elegir los algoritmos de modelado de machine learning más adecuados para atender las necesidades comerciales más comunes.
Identificar casos de uso específicos para soluciones de machine learning preentrenadas de SageMaker JumpStart.
Seleccionar la solución de machine learning integrada de SageMaker JumpStart más adecuada para resolver problemas comerciales comunes.
Describir el papel que la interpretabilidad desempeña durante la selección del modelo o algoritmo.
Seleccionar los modelos o algoritmos con mayor costo-beneficio para resolver necesidades comerciales comunes.

Público objetivo

Arquitectos de la nube
Ingenieros de machine learning

Competencias recomendadas

Tener al menos un año de experiencia con SageMaker y otros servicios de AWS en el área de ingeniería de ML
Tener al menos un año de experiencia en roles como desarrollo de software backend, desarrollo DevOps, ingeniería de datos o Data Scientist
Conocimientos básicos de lenguajes de programación, como Python
Haber completado los cursos previos del Plan de Aprendizaje Asociado para Ingenieros de ML de AWS