Machine Learning (ML) Engineering em AWS é um curso intermédio de 3 dias, desenhado para profissionais de ML que pretendem aprender engenharia de machine learning em AWS.
Os formandos vão aprender a construir, implementar, orquestrar e operacionalizar soluções de ML em escala, através de uma combinação equilibrada de teoria, laboratórios práticos e atividades.
Os formandos irão adquirir experiência prática com serviços da AWS, como o Amazon SageMaker, e ferramentas de análise como o Amazon EMR, para desenvolver aplicações de machine learning robustas, escaláveis e prontas para produção.
Objetivos
Neste curso, os participantes vão aprender a:
- Explicar os fundamentos de ML e as suas aplicações na Cloud da AWS.
- Processar, transformar e preparar dados para tarefas de ML utilizando serviços da AWS.
- Selecionar algoritmos de ML e abordagens de modelação adequados com base nos requisitos do problema e na interpretabilidade do modelo.
- Conceber e implementar pipelines de ML escaláveis utilizando serviços da AWS para treino, implementação e orquestração de modelos.
- Criar pipelines automatizados de integração e entrega contínuas (CI/CD) para fluxos de trabalho de ML.
- Discutir medidas de segurança adequadas para recursos de ML na AWS.
- Implementar estratégias de monitorização para modelos de ML implementados, incluindo técnicas para deteção de deriva de dados.
Destinatários
Este curso foi concebido para profissionais que pretendem construir, implementar e operacionalizar modelos de machine learning na AWS. Isto pode incluir engenheiros de machine learning em funções atuais ou em formação, mesmo com pouca experiência prévia com a AWS.
Outros perfis que podem beneficiar desta formação incluem engenheiros DevOps, programadores e engenheiros SysOps.
Pré-Requisitos
Recomendamos que os participantes deste curso tenham os seguintes requisitos:
- Familiaridade com conceitos básicos de machine learning
- Conhecimentos de programação em Python e bibliotecas comuns de ciência de dados, como NumPy, Pandas e Scikit-learn
- Compreensão básica dos conceitos de computação na cloud e familiaridade com a AWS
- Experiência com sistemas de controlo de versões, como o Git (benéfico, mas não obrigatório).
Programa
- Introdução ao Machine Learning (ML) na AWS
- Análise de Desafios em Machine Learning (ML)
- Processamento de Dados para Machine Learning (ML)
- Transformação de Dados e Feature Engineering
- Escolha de uma Abordagem de Modelação
- Treino de Modelos de Machine Learning (ML)
- Avaliação e Otimização de Modelos de Machine Learning (ML)
- Estratégias de Implementação de Modelos
- Proteção dos Recursos de Machine Learning (ML) na AWS
- Operações de Machine Learning (MLOps) e Implementação Automatizada
- Monitorização do Desempenho do Modelo e da Qualidade dos Dados
Dia 1
Módulo 0: Introdução ao Curso
Módulo 1: Introdução ao Machine Learning (ML) na AWS
- Introdução ao ML
- Amazon SageMaker AI
- ML Responsável
Módulo 2: Análise de Desafios em Machine Learning (ML)
- Avaliação de desafios empresariais de ML
- Abordagens de treino de ML
- Algoritmos de treino de ML
Módulo 3: Processamento de Dados para Machine Learning (ML)
- Preparação e tipos de dados
- Análise exploratória de dados
- Opções de armazenamento AWS e escolha do armazenamento
Módulo 4: Transformação de Dados e Feature Engineering
- Tratamento de dados incorretos, duplicados e em falta
- Conceitos de feature engineering
- Técnicas de seleção de features
- Serviços de transformação de dados da AWS
- Laboratório 1: Analisar e preparar dados com Amazon SageMaker Data Wrangler e Amazon EMR
- Laboratório 2: Processamento de dados utilizando o SageMaker Processing e o SageMaker Python SDK
Dia 2
Módulo 5: Escolha de uma Abordagem de Modelação
- Algoritmos incorporados no Amazon SageMaker AI
- Amazon SageMaker Autopilot
- Seleção de algoritmos de treino incorporados
- Considerações na seleção de modelos
- Considerações de custos em ML
Módulo 6: Treino de Modelos de Machine Learning (ML)
- Conceitos de treino de modelos
- Treino de modelos no Amazon SageMaker AI
- Laboratório 3: Treino de um modelo com o Amazon SageMaker AI
Módulo 7: Avaliação e Otimização de Modelos de Machine Learning (ML)
- Avaliação do desempenho do modelo
- Técnicas para reduzir o tempo de treino
- Técnicas de otimização de hiperparâmetros
- Laboratório 4: Otimização de modelo e hiperparâmetros com o Amazon SageMaker AI
Módulo 8: Estratégias de Implementação de Modelos
- Considerações e opções de destino para implementação
- Estratégias de implementação
- Escolha de uma estratégia de inferência de modelo
- Tipos de contentores e instâncias para inferência
- Laboratório 5: Redirecionamento de tráfego
Dia 3
Módulo 9: Proteção dos Recursos de Machine Learning (ML) na AWS
- Controlo de acesso
- Controlos de acesso à rede para recursos de ML
- Considerações de segurança para pipelines CI/CD
Módulo 10: Operações de Machine Learning (MLOps) e Implementação Automatizada
- Introdução ao MLOps
- Automatização de testes em pipelines CI/CD
- Serviços de entrega contínua
- Laboratório 6: Utilizar Amazon SageMaker Pipelines e o Amazon SageMaker Model Registry com o Amazon SageMaker Studio
Módulo 11: Monitorização do Desempenho do Modelo e da Qualidade dos Dados
- Deteção de deriva em modelos de ML
- SageMaker Model Monitor
- Monitorização da qualidade dos dados e da qualidade do modelo
- Remediação automatizada e resolução de problemas
- Laboratório 7: Monitorização de um modelo para deteção de deriva de dados
Módulo 12: Encerramento do Curso
