AWS ML Engineer Associate 1.2 Transform Data (Simplified Chinese)

本课程内容涉及机器学习 (ML) 生命周期中数据准备阶段的部分内容。在本课程中，您将学习数据转换的相关知识。本课程涵盖各种转换概念和技巧，例如数据清理、编码和特征工程。您将了解如何使用 Amazon SageMaker Feature Store、Amazon SageMakerData Wrangler 和 AWS Glue 等 Amazon Web Services (AWS) 服务来转换您的数据。

• 课程级别：300
• 时长：60 分钟

注意：本课程具有本地化的注释/字幕。 旁白保留英语。要显示字幕，请单击播放器右下角的 CC 按钮。

课程内容

• 在线资料
• 演示
• 知识考核问题
• 课程评估

课程目标

• 阐明数据清理和转换的价值。
• 说明如何处理错误或重复的数据。
• 说明如何检测和处理异常值。
• 说明如何处理缺失值。
• 介绍基本的编码技术。
• 确定特征工程使用案例。
• 介绍特征工程的基本概念、优势和技术。
• 介绍基本的特征选择技巧。
• 描述用于验证和标记数据的 AWS 服务。
• 确定用于可视化和转换数据的 AWS 工具和服务。
• 说明如何使用 SageMaker Feature Store 摄取数据和管理特征。
• 说明如何使用 Amazon Sagemaker Data Wrangler 摄取和转换数据。
• 说明如何使用 AWS Glue 转换数据。
• 确定用于转换流数据的 AWS 工具和服务。
• 说明如何使用 AWS Lambda 和 Apache Spark on Amazon EMR 转换流数据。

培训对象

• 云架构师
• 机器学习工程师

建议具备的技能

• 拥有至少 1 年使用 Amazon SageMaker 和其他 AWS 服务进行 ML 工程工作的经验。
• 至少从事 1 年相关角色的工作，例如后端软件开发人员、DevOps 开发人员、数据工程师或数据科学家。
• 对 Python 等编程语言有基本的了解。
• 已完成 AWS ML Engineer Associate 学习计划的前几门课程。

课程大纲

• 第 1 部分：简介
  • 第 1 课：如何学习本课程
  • 第 2 课：课程概览
  • 第 3 课：数据转换的基础知识
• 第 2 部分：数据清理技术
  • 第 4 课：错误数据和重复数据
  • 第 5 课：数据异常值
  • 第 6 课：数据不完整或缺失
• 第 3 部分：分类编码技术
  • 第 7 课：分类编码
  • 第 8 课：编码技术
• 第 4 部分：特征工程
  • 第 9 课：特征工程概念
  • 第 10 课：数值特征工程
  • 第 11 课：文本特征工程
  • 第 12 课：特征选择技巧
• 第 5 部分：用于数据转换的 AWS 工具和服务
  • 第 13 课：使用 AWS 进行数据标注
  • 第 14 课：使用 AWS 进行数据摄取
  • 第 15 课：使用 AWS 进行数据转换
  • 第 16 课：使用 AWS Glue 转换数据
• 第 6 部分：总结
  • 第 17 课：课程总结
  • 第 18 课：评估
  • 第 19 课：联系我们