Assistente de engenheiro de ML da AWS 4.2 Monitoramento e otimização de infraestrutura e custos (Português) | AWS ML Engineer Associate 4.2 Monitor and Optimize Infrastructure and Costs (Portuguese)
Offered By: Amazon Web Services via AWS Skill Builder
Course Description
Overview
Neste curso, você descobrirá a importância do monitoramento e da otimização, incluindo as métricas de indicadores-chave de desempenho (KPI) em que você deve se concentrar. Este curso discutirá as ferramentas disponíveis para monitoramento e otimização da infraestrutura. Elas incluem o Amazon CloudWatch, o AWS X-Ray, o Amazon QuickSight, o AWS CloudTrail, o Amazon EventBridge, o AWS Compute Optimizer, o Recomendador de inferência do Amazon SageMaker, entre outras. No contexto das soluções de ML, este curso também abordará as ferramentas de análise de custos da AWS, como o Gerenciamento de Faturamento e Custos da AWS, o AWS Budgets, o AWS Cost Explorer e o AWS Trusted Advisor.
- Nível do curso: avançado
- Duração: 2 horas e 30 minutos
Observação: Este curso tem transcrições/legendas traduzidas. A narração está em inglês. Para exibir as legendas, clique no botão CC no canto inferior direito do player.
Atividades
- Materiais on-line
- Execícios
- Perguntas de teste de conhecimento
Objetivos do curso
- Descrever a importância de monitorar a infraestrutura e as principais métricas de desempenho de ML.
- Configurar e usar alarmes do CloudWatch e CloudWatch Logs para solucionar problemas e analisar recursos.
- Identificar as ferramentas de monitoramento e observabilidade usadas para solucionar problemas de latência e desempenho.
- Configurar painéis para monitorar as métricas de desempenho da sua infraestrutura machine learning.
- Descrever como usar o CloudTrail para registrar em log, monitorar e reter atividades relacionadas às chamadas de API.
- Demonstrar como redimensionar corretamente as famílias de instâncias com o Recomendador de inferência do SageMaker.
- Demonstrar como redimensionar corretamente as famílias de instâncias com o Compute Optimizer.
- Identificar e solucionar problemas de capacidade em termos de custo e desempenho.
- Identificar e descrever os recursos das ferramentas de análise de custos da AWS.
- Descrever os benefícios e as opções de Savings Plans de Maching Learning do Amazon SageMaker.
- Identificar recursos adicionais e práticas recomendadas para otimizar custos.
Público-alvo
- Arquitetos de nuvem
- Engenheiros de machine learning
Habilidades recomendadas
- Ter pelo menos um ano de experiência com o uso da solução SageMaker e outros serviços da AWS para engenharia de ML
- Ter pelo menos um ano de experiência em uma função relacionada, como desenvolvedor de software de back-end, desenvolvedor de DevOps, engenheiro de dados ou data scientist
- Uma compreensão fundamental de linguagens de programação como Python
- Ter concluído os cursos anteriores no plano de aprendizado Assistente de engenheiro de ML da AWS
Conteúdo do curso
- Seção 1: Introdução
- Liçã 1: Orientações gerais d curs
- Liçã 2: Visã geral d curs
- Seçã 2: Mnitrament da infraestrutura
- Liçã 3: Imprtância d mnitrament da infraestrutura de ML
- Liçã 4: Mnitrament de métricas de desempenh
- Liçã 5: Mnitrament e bservabilidade
- Liçã 6: Ferramentas de mnitrament de desempenh e latência
- Liçã 7: Observabilidade e auditria de sua sluçã de ML
- Liçã 8: Cnfiguraçã de painéis
- Seçã 3: Otimizaçã da infraestrutura
- Liçã 9: Dimensinament crret da infraestrutura de cmputaçã para sluções de ML
- Liçã 10: Demnstraçã d Recmendadr de inferência d Amazn SageMaker
- Seçã 4: Otimizaçã de custs
- Liçã 11: Reduçã de custs de mnitrament
- Liçã 12: Equilíbri entre capacidade, cust e desempenh
- Liçã 13: Us de ferramentas de gerenciament de custs da AWS cm sluções de ML
- Liçã 14: Opçã de cmpra para timizar s custs da infraestrutura de ML
- Seçã 5: Cnclusã
- Liçã 15: Resum d curs
- Liçã 16: Avaliaçã
- Liçã 17: Entrar em cntat cnsc
Tags
Related Courses
Introduction to Artificial IntelligenceStanford University via Udacity Natural Language Processing
Columbia University via Coursera Probabilistic Graphical Models 1: Representation
Stanford University via Coursera Computer Vision: The Fundamentals
University of California, Berkeley via Coursera Learning from Data (Introductory Machine Learning course)
California Institute of Technology via Independent