AWS ML Engineer Associate 1.3 Validate Data and Prepare for Modeling (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，您将学习数据验证的各种策略，涵盖偏差缓解及数据安全保障等领域的策略。此外，您还将查看一些可以帮助您进行数据验证的 Amazon Web Services (AWS) 服务，包括 AWS Glue DataBrew 和 AWS Glue 数据质量。您还将了解数据准备与配置的最后步骤，例如数据集分割、洗牌、扩增以及配置以加载到模型训练资源中。

• 课程级别：300
• 时长：45 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
• 专业知识考核问题
• 课程评估

课程目标

• 解释确保数据完整性的重要性。
• 识别基础的预训练偏差指标。
• 描述解决数据集中类别不平衡的策略。
• 描述用于验证数据质量的关键 AWS 服务。
• 使用 AWS 工具识别和减少数据中偏差的来源。
• 描述使用 AWS 服务加密数据的技术。
• 识别合规性要求的影响。
• 描述分割、洗牌和增强数据集的价值和技术。
• 识别模型训练中使用的数据格式。
• 识别用于模型训练数据配置的 AWS 工具和服务。
• 描述如何配置数据以将其加载到模型训练资源中。

培训对象

• 云架构师
• 机器学习工程师

推荐技能

• 至少具备 1 年使用 Amazon SageMaker 及其他 AWS 服务从事机器学习工程工作的经验。
• 至少具备 1 年担任后端软件开发人员、DevOps 开发人员、数据工程师或数据科学家等相关职位的经验。
• 对 Python 等编程语言有基本的了解。
• 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：课程概述
  • 第 3 课：数据验证基础知识
• 第 2 部分：验证数据
  • 第 4 课：解决类别不平衡
  • 第 5 课：用于数据验证和偏差缓解的 AWS 工具和服务
  • 第 6 课：使用 Amazon SageMaker Clarify 识别和缓解偏差
  • 第 7 课：数据安全性与合规性
• 第 3 部分：数据准备的最后步骤
  • 第 8 课：数据集分割、洗牌和扩增
  • 第 9 课：为模型训练配置数据
• 第 4 部分：总结
  • 第 10 课：课程总结
  • 第 11 课：测验
  • 第 12 课：联系我们