This comprehensive guide prepares you for the AWS Certified Machine Learning Specialty (MLS-C01) exam. You'll gain expertise in designing machine learning solutions and deploying models on the AWS cloud.
Through detailed explanations of AWS services and machine learning concepts, you’ll build the knowledge necessary to succeed in real-world applications of machine learning. The course offers a practical approach to mastering AWS machine learning, covering everything from data preparation and transformation to model deployment using Amazon SageMaker.
You'll also dive into machine learning algorithms, optimization techniques, and the implementation of AI/ML services on AWS. What sets this course apart is its focus on exam preparation combined with professional skills development.
You’ll work through mock exams, self-assessment questions, and tips to ensure you're fully ready for the MLS-C01 certification, while also gaining hands-on experience with AWS services. This course is designed for students and professionals aiming to pass the AWS MLS-C01 exam or deepen their understanding of machine learning on AWS.
Prior knowledge of machine learning and AWS services is recommended to make the most of this content. This course is based on the book AWS Certified Machine Learning - Specialty (MLS-C01) Certification Guide, by Samanath Nanda, and Weslley Moura.
- Fundamentos de Aprendizaje Automático
Este módulo introduce los conceptos fundamentales del aprendizaje automático, incluido el ciclo de vida del modelado, la división de datos y las técnicas de validación. Los estudiantes explorarán cómo preparar y evaluar conjuntos de datos, aplicar la validación cruzada y comprender la importancia de barajar los datos para prevenir el sobreajuste. Al final, los participantes estarán equipados con habilidades esenciales para construir y evaluar modelos de aprendizaje automático.
- Servicios de AWS para Almacenamiento de Datos
Este módulo introduce los servicios principales de almacenamiento de datos de AWS, incluyendo S3, EBS y RDS, y demuestra cómo crear y gestionar recursos de almacenamiento. Los estudiantes explorarán el control de acceso, la encriptación y las mejores prácticas para asegurar y organizar los datos en la nube de AWS. Ejercicios prácticos te guiarán a través de la configuración del almacenamiento y la comprensión de las diferencias entre los tipos de almacenamiento.
- Servicios de AWS para Migración y Procesamiento de Datos
Este módulo introduce los servicios clave de AWS para migrar, almacenar y procesar datos, incluyendo experiencia práctica con AWS Glue, Kinesis Data Firehose y DataSync. Los estudiantes explorarán cómo mover datos entre soluciones de almacenamiento, transformar datos para análisis y procesar grandes conjuntos de datos utilizando herramientas gestionadas de AWS. Al final, entenderás los flujos de trabajo prácticos para escenarios reales de migración y procesamiento de datos.
- Preparación y Transformación de Datos
Este módulo guía a los estudiantes a través de técnicas esenciales de preparación de datos, incluyendo la transformación de características categóricas y numéricas, el manejo de valores atípicos y conjuntos de datos desbalanceados, y el procesamiento de datos de texto para el aprendizaje automático. Explorarás métodos prácticos como la codificación, normalización, estandarización y TF-IDF para asegurar que tus datos estén listos para el modelado. Al final, estarás equipado para abordar desafíos comunes de datos y mejorar la calidad de tus flujos de trabajo de aprendizaje automático.
- Comprensión y Visualización de Datos
Este módulo introduce los principios de la visualización de datos efectiva y la importancia de una comunicación clara al presentar hallazgos analíticos. Los estudiantes explorarán técnicas fundamentales para comprender y representar visualmente datos para asegurar que las ideas sean accesibles y tengan impacto.
- Aplicación de Algoritmos de Aprendizaje Automático
Este módulo guía a los estudiantes a través de la aplicación práctica de algoritmos clave de aprendizaje automático, incluyendo regresión lineal, clasificación, agrupamiento y reducción de dimensionalidad. Ganarás experiencia práctica construyendo modelos desde cero, evaluando su desempeño y comprendiendo conceptos esenciales como la parsimonia, la estacionariedad y la calidad del agrupamiento. Al final, estarás equipado para seleccionar e implementar algoritmos apropiados para diversas tareas de ciencia de datos.
- Evaluación y Optimización de Modelos
Este módulo guía a los estudiantes a través del proceso de evaluar el desempeño de modelos de aprendizaje automático utilizando métricas clave de evaluación. Explorarás cómo interpretar precisión, recall, puntuación F1 y AUC, y aprender estrategias para optimizar modelos basadas en estas métricas.
- Servicios de Aplicación de AWS para IA/ML
Este módulo introduce los servicios clave de AWS para aplicaciones de inteligencia artificial y aprendizaje automático, incluyendo herramientas para texto a voz, voz a texto, procesamiento de lenguaje natural, traducción, extracción de documentos y creación de chatbots. Los estudiantes descubrirán cómo aprovechar estos servicios gestionados para resolver desafíos empresariales reales y automatizar flujos de trabajo complejos.
- Modelado con Amazon SageMaker
Este módulo guía a los estudiantes a través de los aspectos prácticos de construir, entrenar y desplegar modelos de aprendizaje automático utilizando Amazon SageMaker. Explorarás formatos de almacenamiento de datos, seleccionando tipos de instancia apropiados, configurando escalabilidad, asegurando tu entorno y utilizando herramientas de depuración para monitorear y optimizar tus modelos.
- Despliegue de Modelos
Este módulo te guía a través del proceso de configurar y desplegar modelos de aprendizaje automático utilizando servicios de AWS. Aprenderás cómo establecer desencadenantes de eventos y finalizar configuraciones de despliegue para funciones Lambda, permitiendo inferencia de modelos automatizada y escalable. Al final, estarás equipado para operacionalizar tus modelos en entornos del mundo real.
