AWS ML Engineer Associate 1.3 Validate Data and Prepare for Modeling (Korean)

이 과정은 기계 학습(ML) 수명 주기의 데이터 준비 단계 중 일부를 다룹니다. 이 과정에서는 편향 완화 및 데이터 보안 전략을 비롯한 데이터 검증 전략에 대해 알아봅니다. 또한 AWS Glue DataBrew와 AWS Glue Data Quality를 비롯하여 데이터 검증에 도움이 되는 몇 가지 Amazon Web Services(AWS) 서비스도 검토해 보겠습니다. 또한 데이터세트 분할, 셔플링, 증강 및 구성과 같은 데이터 준비 및 구성의 마지막 단계에 대해서도 학습하여 모델 훈련 리소스에 로드할 수 있습니다.

• 과정 수준: 300
• 소요 시간: 45분

참고: 이 과정의 동영상에는 한국어 트랜스크립트 또는 자막이 지원되며 음성은 영어로 출력됩니다. 자막을 표시하려면 동영상 화면 우측 하단의 CC 버튼을 클릭하세요.

참고: 이 과정은 Google Chrome(최신 주요 버전 2개), Microsoft Edge(최신 주요 버전 2개), Safari(최신 주요 버전 2개)에 최적화되어 있습니다.

활동

• 온라인 자료
• 데모
• 지식 확인 질문
• 과정 평가

과정 목표

• 데이터 무결성을 보장하는 것이 중요한 이유를 설명합니다.
• 기본적인 사전 훈련 편향 지표를 식별합니다.
• 데이터세트의 클래스 불균형을 해결하기 위한 전략을 설명합니다.
• 데이터 품질을 검증하기 위한 주요 AWS 서비스를 설명합니다.
• AWS 도구를 사용하여 데이터 편향의 원인을 파악하고 완화합니다.
• AWS 서비스를 사용하여 데이터를 암호화하는 기술을 설명합니다.
• 규정 준수 요구 사항의 의미를 파악합니다.
• 데이터세트를 분할, 셔플링, 증강하는 가치와 기술을 설명합니다.
• 모델 훈련에 사용된 데이터 형식을 식별합니다.
• 모델 훈련 데이터 구성을 위한 AWS 도구와 서비스를 식별합니다.
• 모델 훈련 리소스에 데이터를 로드하기 위해 데이터를 구성하는 방법을 설명합니다.

수강 대상

• 클라우드 아키텍트
• 기계 학습 엔지니어

권장 기술

• Amazon SageMaker 및 기타 AWS 서비스를 ML 엔지니어링에 사용한 1년 이상의 경험. 
• 백엔드 소프트웨어 개발자, DevOps 개발자, 데이터 엔지니어 또는 데이터 과학자 등 관련 직무에서 최소 1년 이상의 경험. 
• Python 등 프로그래밍 언어에 대한 기본적인 이해. 
• AWS ML Engineer Associate 학습 플랜의 이전 과정. 

과정 개요

• 섹션 1: 소개
  • 강의 1: 본 과정 사용 방법
  • 강의 2: 과정 개요
  • 강의 3: 데이터 검증의 기초
• 섹션 2: 데이터 검증
  • 강의 4: 클래스 불균형 문제 해결
  • 강의 5: 데이터 검증 및 편향 완화를 위한 AWS 도구 및 서비스
  • 강의 6: Amazon SageMaker Clarify를 사용하여 편향 식별 및 완화
  • 강의 7: 데이터 보안 및 규정 준수
• 섹션 3: 데이터 준비의 마지막 단계
  • 강의 8: 데이터세트 분할, 셔플링 및 증강
  • 강의 9: 모델링 훈련을 위한 데이터 구성
• 섹션 4: 결론
  • 강의 10: 과정 요약
  • 강의 11: 평가
  • 강의 12: AWS에 문의하기