Ingeniero de Aprendizaje Automático de AWS SageMaker en 30 Días + ChatGPT

Resumen

Construye más de 30 proyectos de ML en 30 días en AWS, domina SageMaker JumpStart, Canvas, AutoPilot, DataWrangler, Lambda y S3 Lo que aprenderás:

Construir, entrenar, probar y desplegar modelos de aprendizaje automático en AWS. Aprovechar ChatGPT y GPT-4 para automatizar tareas de codificación, realizar depuración de código, escribir documentación y añadir nuevas características a tu código.

Definir y realizar trabajos de etiquetado de imágenes y texto usando AWS SageMaker GroundTruth. Preparar, limpiar y visualizar datos usando AWS SageMaker Data Wrangler sin escribir código.

Optimizar hiperparámetros de modelos de ML utilizando técnicas de optimización de búsqueda en cuadrícula, bayesiana y aleatoria. Dominar servicios clave de AWS como Simple Storage Service (S3), Elastic Compute Cloud (EC2), Identity and Access Management (IAM) y CloudWatch.

Entender la automatización del flujo de trabajo de aprendizaje automático usando AWS Lambda, funciones de paso y pipelines de SageMaker. Aprender cómo definir una función lambda en la consola de gestión de AWS, entender la anatomía de las funciones Lambda y cómo configurar un evento de prueba en Lambda.

Entrenar modelos de regresión y clasificación de aprendizaje automático usando AWS Canvas sin código. Aprender a aprovechar Amazon SageMaker Autopilot y SageMaker Canvas para entrenar múltiples modelos sin escribir código.

Realizar análisis exploratorio de datos y visualización usando librerías Pandas, Seaborn y Matplotlib. Entender los KPI de modelos de regresión como RMSE, MSE, MAE, R2 y R2 ajustado.

Entender los KPI de modelos de clasificación como precisión, precisión, recuperación, F1-score, ROC y AUC. Definir un trabajo de entrenamiento de aprendizaje automático usando AWS SageMaker JumpStart.

Desplegar un punto final usando Amazon SageMaker, realizar inferencia y generar predicciones. Definir una función Lambda usando SDK de Boto3 y probar la función lambda usando Eventbridge (eventos de CloudWatch).

Entender la diferencia entre invocaciones de funciones Lambda síncronas y asíncronas. Prototipar modelos de IA/ML usando la biblioteca AutoGluon.

Cómo monitorear el tablero de facturación, establecer alarmas, precios de instancias S3/EC2 y solicitar aumento de límites de servicio. Entender la diferencia entre Inteligencia Artificial (IA), Aprendizaje Automático (ML), Ciencia de Datos (DS) y Aprendizaje Profundo (DL).

Aprender los fundamentos de Amazon SageMaker, componentes de SageMaker, opciones de entrenamiento que incluyen algoritmos integrados, Marketplace de AWS y algoritmos ML personalizados. Aprovechar un algoritmo de detección de objetos Yolo V3 disponible en el Marketplace de AWS.

Entender el formato y el caso de uso de archivos Json Lines y Manifest. Aprender el flujo de trabajo de etiquetado automático y entender la diferencia entre SageMaker GroundTruth y GroundTruth Plus.

Aprender cómo definir un trabajo de etiquetado con cuadros delimitadores (detección de objetos), segmentación semántica a nivel de píxel y datos de texto. Entender la diferencia entre fuerzas de trabajo de etiquetado de datos en AWS como Mechanical Turks públicos, etiquetadores privados y proveedores de terceros curados por AWS.

Aprender la diferencia entre estrategias de aprendizaje automático Supervisado, No Supervisado y de Refuerzo. Realizar visualización de datos usando las librerías Seaborn y Matplotlib, incluidos gráficos de líneas, gráficos circulares, subgráficos, gráficos de pares, gráficos de conteo y mapas de calor de correlaciones.

Exportar un flujo de trabajo de Data Wrangler a un script de Python, crear una fórmula personalizada y aplicarla a una columna determinada en los datos, y generar tablas de resumen/informes de sesgos. Aprender cómo entrenar un algoritmo XG-boost en SageMaker usando AWS JumpStart, evaluar el rendimiento del modelo entrenado, graficar residuales y desplegar un punto final.

Entender la relación de compromiso entre sesgo-varianza, técnicas de regularización L1 y L2. Entrenar/probar varios clasificadores de ML como regresión logística, máquina de soporte vectorial, K-vecinos más cercanos, árboles de decisión y clasificadores de bosque aleatorio.

Aprender los algoritmos integrados de SageMaker como Linear Learner, XG-Boost, Análisis de Componentes Principales (PCA) y K-vecinos más cercanos. ¿Quieres convertirte en un Ingeniero de Aprendizaje Automático en AWS utilizando SageMaker en 30 días?

¿Quieres construir aplicaciones de Aprendizaje Automático (ML) a nivel de producción en AWS pero no sabes por dónde empezar? ¿Eres un principiante absoluto y quieres incursionar en IA, ML y Computación en la Nube y buscas un curso que incluya todo lo que necesitas?

¿Eres un emprendedor aspirante que quiere maximizar los ingresos comerciales y reducir costos con ML pero no sabes cómo llegar allí rápida y eficientemente? ¿Quieres aprovechar ChatGPT como programador para automatizar tus tareas de codificación?

¡Si la respuesta es sí a alguna de estas preguntas, entonces este curso es para ti! El Aprendizaje Automático es el futuro, uno de los principales campos tecnológicos en este momento.

El ML y la IA cambiarán nuestras vidas de la misma manera que la electricidad lo hizo hace 100 años. El ML es ampliamente adoptado en finanzas, banca, atención médica, transporte y tecnología.

El campo está explotando con oportunidades y perspectivas de carrera. AWS es una de las plataformas de computación en nube más utilizadas en el mundo y varias empresas dependen de AWS para sus propósitos de computación en la nube.

AWS SageMaker es un servicio completamente administrado ofrecido por AWS que permite a los científicos de datos y practicantes de IA entrenar, probar y desplegar modelos de IA/ML rápida y eficientemente. Este curso es único y excepcional de muchas maneras, incluye varias oportunidades de práctica, cuestionarios y proyectos finales de cierre.

En este curso, los estudiantes aprenderán cómo crear modelos de ML a nivel de producción utilizando AWS. El curso está dividido en 8 secciones principales como sigue:

Sección 1 (Días 1 – 3):

aprenderemos lo siguiente:

(1) Comenzar con un "paquete de inicio" de AWS y fundamentos de Aprendizaje Automático que incluye servicios clave de AWS como Simple Storage Service (S3), Elastic Compute Cloud (EC2), Identity and Access Management (IAM) y CloudWatch, (2) Los beneficios de la computación en la nube, la diferencia entre regiones y zonas de disponibilidad y lo que incluye el Paquete de Nivel Gratuito de AWS, (3) Cómo configurar una cuenta nueva en AWS, establecer una autenticación multifactor (MFA) y navegar por la Consola de Administración de AWS, (4) Cómo monitorear el tablero de facturación, establecer alarmas, precios de instancias S3/EC2 y solicitar aumento de límites de servicio, (5) Los fundamentos del Aprendizaje Automático y entender la diferencia entre Inteligencia Artificial (IA), Aprendizaje Automático (ML), Ciencia de Datos (DS) y Aprendizaje Profundo (DL), (6) Aprender la diferencia entre aprendizaje supervisado, no supervisado y de refuerzo, (7) Enumerar los componentes clave para construir cualquier modelo de aprendizaje automático incluyendo datos, modelo y computación, (8) Aprender los fundamentos de Amazon SageMaker, componentes de SageMaker, opciones de entrenamiento ofrecidas por SageMaker incluyendo algoritmos integrados, Marketplace de AWS y algoritmos ML personalizados, (9) Cubrir AWS SageMaker Studio y aprender la diferencia entre AWS SageMaker JumpStart, SageMaker Autopilot y SageMaker Data Wrangler, (10) Aprender a escribir nuestro primer código en la nube usando Jupyter Notebooks.

Luego, tendremos un tutorial que cubre algoritmos de detección de objetos en AWS Marketplace como Yolo V3, (11) Aprender a entrenar nuestro primer modelo de aprendizaje automático usando el nuevo AWS SageMaker Canvas sin escribir ningún código. Sección 2 (Días 4 – 5):

aprenderemos lo siguiente:

(1) Etiquetar imágenes y texto usando Amazon SageMaker GroundTruth, (2) aprender la diferencia entre fuerzas de trabajo de etiquetado de datos como Mechanical Turks públicos, etiquetadores privados y proveedores de terceros curados por AWS, (3) cubrir historias de éxito de varias empresas que han aprovechado los datos para maximizar ingresos, reducir costos y optimizar procesos, (4) cubrir fuentes de datos, tipos y la diferencia entre datos buenos y malos, (5) aprender sobre formatos de Json Lines y archivos Manifest, (6) cubrir un tutorial detallado para definir un trabajo de etiquetado de clasificación de imágenes en SageMaker, (7) flujo de trabajo de etiquetado automático y aprender la diferencia entre SageMaker GroundTruth y GroundTruth Plus, (8) aprender cómo definir un trabajo de etiquetado con cuadros delimitadores (detección de objetos y segmentación semántica a nivel de píxel), (9) Etiquetar datos de texto usando Amazon SageMaker GroundTruth.

Sección 3 (Días 6 – 10):

aprenderemos:

(1) cómo realizar análisis exploratorio de datos (EDA), (2) dominar Pandas, una potente biblioteca de código abierto para realizar análisis de datos en Python, (3) analizar la información de empleados de empresas usando Pandas en Jupyter Notebooks en AWS SageMaker Studio, (4) definir un DataFrame de Pandas, leer datos CSV usando Pandas, realizar análisis estadístico básico en los datos, establecer/restablecer índice de DataFrame de Pandas, seleccionar columnas específicas del DataFrame, añadir/eliminar columnas del DataFrame, realizar selección de elementos basada en etiquetas/enteros, realizar operaciones de transmisión y realizar ordenamiento/clasificación del DataFrame de Pandas, (5) realizar análisis estadístico de datos en conjuntos de datos del mundo real, manejar datos faltantes usando pandas, cambiar tipos de datos del DataFrame de pandas, definir una función y aplicarla a una columna del DataFrame de Pandas, realizar operaciones de Pandas y filtrado, calcular y mostrar matriz de correlación, usar la biblioteca seaborn para mostrar mapa de calor, (6) analizar los precios de criptomonedas y retornos diarios de Bitcoin (BTC), Ethereum (ETH), Litecoin (LTC), Cardano (ADA) y Ripple (XRP) usando las bibliotecas Matplotlib y Seaborn en AWS SageMaker Studio, (7) realizar visualización de datos usando las bibliotecas Seaborn y Matplotlib, los gráficos incluyen gráfico de líneas, gráficos circulares, múltiples subgráficos, gráfico de pares, gráfico de conteo, mapas de calor de correlaciones, gráfico de distribución (distplot), histogramas y gráficos de dispersión, (8) Usar Amazon SageMaker Data Wrangler en AWS para preparar, limpiar y visualizar los datos, (9) entender estrategias y herramientas de ingeniería de características, entender los fundamentos de Data Wrangler en AWS, realizar codificación one hot y normalización, realizar visualización de datos usando Data Wrangler, exportar un flujo de trabajo de data wrangler a un script de Python, crear una fórmula personalizada y aplicarla a una columna determinada en los datos, generar tablas de resumen en Data Wrangler y generar informes de sesgos. Sección 4 (Días 11 – 18):

aprenderemos:

(1) fundamentos de regresión de aprendizaje automático incluyendo regresión lineal simple/múltiple y suma mínima de cuadrados, (2) construir nuestro primer modelo de regresión lineal simple en Scikit-Learn, (3) listar todos los algoritmos integrados disponibles en SageMaker, (4) construir, entrenar, probar y desplegar un modelo de regresión de aprendizaje automático usando el algoritmo Linear Learner de SageMaker, (5) listar los KPI de algoritmos de regresión de aprendizaje automático como Error Absoluto Medio (MAE), Error Cuadrático Medio (MSE), Raíz del Error Cuadrático Medio (RMSE), Error Porcentual Medio (MPE), Coeficiente de Determinación (R2) y R2 ajustado, (6) Lanzar un trabajo de entrenamiento usando la consola de gestión de AWS y desplegar un punto final sin escribir ningún código, (7) cubrir la teoría e intuición detrás del algoritmo XG-Boost y cómo usarlo para resolver problemas de tipo regresión en Scikit-Learn y usando algoritmos integrados de SageMaker, (8) aprender a entrenar un algoritmo XG-boost en SageMaker usando AWS JumpStart, evaluar el rendimiento de modelos de regresión entrenados, graficar los residuales y desplegar un punto final y realizar inferencia.

Sección 5 (Días 19 – 20):

aprenderemos:

(1) estrategias de optimización de hiperparámetros como búsqueda en cuadrícula, búsqueda aleatoria y optimización bayesiana, (2) Entender el compromiso entre sesgo y varianza y las regularizaciones L1 y L2, (3) realizar optimización de hiperparámetros usando la biblioteca Scikit-Learn y usando el SDK de SageMaker. Sección 6 (Días 21 – 24):

aprenderemos:

(1) cómo entrenar varios algoritmos de clasificación como regresión logística, máquina de soporte vectorial, K-vecinos más cercanos y clasificador de bosque aleatorio, (2) enumerar la diferencia entre varios modelos de clasificadores KPI como precisión, precisión, recuperación, F1-score, Curva Característica Operativa del Receptor (ROC) y Área Bajo la Curva (AUC), (3) entrenar algoritmos XG-boost y Linear Learner en SageMaker para resolver problemas de tipo clasificación, (4) aprender la teoría e intuición detrás de K Nearest Neighbors (KNN) en SageMaker y aprender a construir, entrenar y probar un modelo clasificador KNN en SageMaker.

Esta sección también incluye materiales adicionales sobre cómo aprovechar ChatGPT y modelos generativos de IA como programador. Sección 7 (Días 25 – 28):

aprenderemos:

(1) cómo usar la biblioteca AutoGluon para realizar prototipos de modelos de IA/ML usando pocas líneas de código, (2) aprovechar AutoGluon para entrenar múltiples modelos de regresión y clasificación y desplegar el mejor, (3) aprovechar Amazon SageMaker Autopilot y SageMaker Canvas para entrenar múltiples modelos sin escribir ningún código.

Sección 8 (Días 29 – 30):

aprenderemos:

(1) cómo definir e invocar funciones lambda en AWS, (2) entender la automatización del flujo de trabajo de aprendizaje automático usando AWS Lambda, funciones de paso y pipelines de SageMaker, (3) aprender cómo definir una función lambda en la consola de gestión de AWS, (4) entender la anatomía de las funciones Lambda, (5) aprender cómo configurar un evento de prueba en Lambda y monitorear invocaciones de Lambda en CloudWatch, (6) definir una función Lambda usando el SDK de Boto3, (7) probar la función lambda usando Eventbridge (eventos de CloudWatch), (8) entender la diferencia entre invocaciones síncronas y asíncronas e Invocar una función Lambda usando el SDK de Boto3.

Programa de estudio

• Introducción a AWS SageMaker
Descripción general de AWS SageMaker y sus componentes
Configuración de la cuenta AWS y del entorno SageMaker
Navegación por la consola de SageMaker
• Fundamentos de Aprendizaje Automático
Conceptos clave del aprendizaje automático
Tipos de aprendizaje automático: supervisado, no supervisado, de refuerzo
Preparación y preprocesamiento de datos
• SageMaker Studio y Cuadernos Jupyter
Introducción a SageMaker Studio
Uso de Cuadernos Jupyter para flujos de trabajo de aprendizaje automático
Exploración de conjuntos de datos incorporados y externos
• Ingeniería de Datos en SageMaker
Soluciones de almacenamiento de datos: S3, Redshift y RDS
Transformación y limpieza de datos con SageMaker Data Wrangler
Mejores prácticas de ingeniería de características
• Construcción y Entrenamiento de Modelos
Selección y uso de algoritmos incorporados
Desarrollo de modelos personalizados con Python y TensorFlow/PyTorch
Gestión del entrenamiento de modelos a gran escala: ajuste de hiperparámetros y entrenamiento distribuido
• Evaluación y Despliegue de Modelos
Evaluación del rendimiento del modelo con SageMaker
Pruebas A/B y validación de modelos
Despliegue de modelos usando Endpoints de SageMaker
• Automatización y Flujos de Trabajo
Creación de flujos de trabajo de aprendizaje automático automatizados con SageMaker Pipelines
Uso de Amazon Step Functions para orquestar flujos de trabajo de aprendizaje automático
Monitoreo y gestión de las ejecuciones de flujos de trabajo
• Gestión y Optimización de Costes
Comprender la tarificación de SageMaker
Estrategias para el uso rentable de recursos AWS
Monitoreo del uso y reducción de costes
• Temas Avanzados en SageMaker
SageMaker RL para proyectos de aprendizaje por refuerzo
Exploración de SageMaker JumpStart para soluciones preconstruidas
Integración con otros servicios de AWS como Lambda y API Gateway
• Introducción a ChatGPT
Descripción general de ChatGPT y sus capacidades
Creación de agentes conversacionales con ChatGPT
Integración de ChatGPT en aplicaciones con Amazon SageMaker
• Proyecto Final
Diseño de una solución de aprendizaje automático del mundo real usando SageMaker
Implementación de un chatbot usando ChatGPT
Presentación y evaluación de los resultados del proyecto
• Revisión y Evaluación Final
Revisión integral de temas clave
Exámenes de práctica y pruebas simuladas
Consejos y recursos para la preparación de la certificación

Enseñado por

Dr. Ryan Ahmed, Ph.D., MBA

Asignaturas

Programación