AWS ML Engineer Associate 2.1 Choose a Modeling Approach (Simplified Chinese)

探索 AWS ML 堆栈层，并学习如何借助 AWS 服务解决常见的业务挑战。本课程探讨了如何使用 Amazon SageMaker 执行机器学习任务，以及如何查看有关选择合适模型的策略。

此外，本课程还重点介绍了经过预训练的 Amazon SageMaker JumpStart ML 解决方案的特定场景，并指导您如何根据业务需求优化选择。本课程还讨论了经过预训练的 Amazon Bedrock ML 解决方案的具体应用，以及如何确定最合适的内置解决方案。最后，本课程探讨了可诠释性在模型和算法选择中的重要性。

• 课程级别：300
• 时长：1.5 小时

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

• 线上资料
• 练习
• 知识考核问题

课程目标

• 阐述 AWS 机器学习堆栈各层的优势和使用案例。
• 解释 AWS 人工智能 (AI) 服务如何帮助解决常见的业务问题。
• 选择 AWS AI 服务来解决常见的业务需求。
• 描述在机器学习中使用 SageMaker 的好处。
• 确定 SageMaker 内置算法的具体使用案例。
• 选择最合适的机器学习模型算法来解决常见的业务需求。
• 确定经过预训练的 SageMaker JumpStart 机器学习解决方案的具体使用案例。
• 选择最合适的 SageMaker JumpStart 内置机器学习解决方案来解决常见的业务需求。
• 描述可诠释性在模型或算法选择中所起的作用。
• 选择最具成本效益的模型或算法来解决常见的业务需求。

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 SageMaker 和其他 AWS 服务进行 ML 工程处理的经验
• 至少从事 1 年相关岗位的工作，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 学习计划中前面的课程

课程大纲

第 1 部分：简介

• 第 1 课：如何学习本课程
• 第 2 课：领域 2 简介
• 第 3 课：课程概览
• 第 4 课：选择建模方法

第 2 部分：建模方法

• 第 5 课：AWS AI 服务
• 第 6 课：Amazon SageMaker 内置算法
• 第 7 课：Amazon SageMaker JumpStart ML 解决方案
• 第 8 课：Amazon Bedrock ML 解决方案
• 第 9 课：选择模型时的考虑因素

第 3 部分：总结

• 第 10 课：课程总结
• 第 11 课：评估
• 第 12 课：联系我们