AWS ML Engineer Associate 2.2 Train Models (Simplified Chinese)

在本课程中，您将深入了解模型训练过程中的核心要素，并学习如何根据您的特定训练要求选择最适合的计算环境。您将探索 Amazon SageMaker 和预构建的深度学习框架 Docker 容器，以及 ML 库 Docker 映像，它们为开发和训练模型提供了一种有效的方法。

此外，您将获得使用 SageMaker 内置算法和库开发机器学习模型的动手实践经验。您还将了解如何使用 SageMaker 脚本模式，该模式支持 Apache MXNet、TensorFlow 和 PyTorch 等热门框架。本课程将为您提供相关的知识和技能，帮助您使用这些强大的工具和框架来构建稳健而准确的模型。

此外，您将学习可以缩短模型训练时间的各种技术，这些技术是优化机器学习工作流整体性能和效率的关键。学习完本课程后，您将了解模型训练的过程。最后，当您需要为特定使用案例选择合适的计算环境、框架和优化策略时，您将知道该如何做出明智的决策。

• 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

• 在线资料
• 练习
• 知识考核问题

课程目标

• 定义模型训练过程中的核心要素。
• 根据特定要求为训练选择最佳的计算环境。
• 了解 SageMaker 的预构建深度学习框架 Docker 容器。
• 了解 SageMaker 的预构建 ML 库 Docker 映像。
• 使用 SageMaker 的内置 ML 算法和库开发 ML 模型。
• 使用 Amazon SageMaker Studio 开发 ML 模型。
• 使用 SageMaker 脚本模式和支持的框架（如 Apache MXNet、TensorFlow 和 PyTorch）开发 ML 模型。
• 介绍用于缩短模型训练时间的常用方法。
• 描述如何将外部模型集成到 SageMaker 中。

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 工程工作的经验
• 拥有至少 1 年的相关职位经验，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
• 对编程语言（如 Python）有基本了解
• 已完成 AWS ML Engineer Associate 学习路径中的前置课程

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：模型训练的概念
• 第 2 部分：计算环境
  • 第 4 课：计算环境的选择
  • 第 5 课：AWS 容器服务
• 第 3 部分：训练模型
  • 第 6 课：使用 Amazon SageMaker 控制台创建训练任务
  • 第 7 课：使用 SageMaker 内置算法训练模型
  • 第 8 课：使用 SageMaker 脚本模式训练模型
  • 第 9 课：缩短训练时间的方法
• 第 4 部分：外部模型
  • 第 10 课：将外部模型集成到 SageMaker
• 第 5 部分：总结
  • 第 11 课：课程总结
  • 第 12 课：评估
  • 第 13 课：联系我们