AWS ML Engineer Associate 2.3 Refine Models (Japanese)

このコースでは、機械学習 (ML) モデルを改良する方法を学びます。まず、バイアスを軽減する方法とモデルパフォーマンスを確認し、モデルの過剰適合と過小適合を防ぐ方法を学びます。次に、複数の方法を組み合わせてモデルパフォーマンスを向上させる方法と、ハイパーパラメータのチューニングを使用して最適なモデル結果を生成する方法を学びます。

また、モデルサイズとモデルバージョニングのバリエーションについて考察し、Amazon SageMaker サービスがモデルの改良プロセスをどのように支援できるかを確認します。

• コースレベル: 300
• 所要時間: 2 時間

アクティビティ

• オンライン資料
• 演習
• ナレッジチェックの問題

コースの目標

• モデルバイアスやモデルのバリアンスなどのモデル評価メトリクスを定義して解釈する。
• モデルの過剰適合と過小適合を検出する方法を説明する。
• 正則化手法と特徴量選択を活用して、モデルの過剰適合と過小適合を防止する。
• ブースティング、バギング、スタッキングなどのアンサンブル手法を活用して複数のトレーニングモデルを組み合わせて、モデルパフォーマンスを向上させる。
• ハイパーパラメータがモデルパフォーマンスにどのように影響するかを説明する。
• 主なハイパーパラメータのチューニング手法を定義する。
• ハイパーパラメータの自動最適化を実行してモデルパフォーマンスを向上させる。
• モデルサイズに影響する重要な要素を特定する。
• 反復モデルプルーニングを使用してモデルサイズを縮小する。
• カスタムデータセットを使用し、Amazon SageMaker JumpStart と Amazon Bedrock で事前にトレーニングされたモデルを微調整する。
• 正則化の手法と特徴量選択を活用して、壊滅的な忘却を防止する。
• 再現性と監査のために、Amazon SageMaker Model Registry を使用してモデルバージョンを管理する。

対象者

• クラウドアーキテクト
• 機械学習エンジニア

推奨スキル

• SageMaker およびその他の AWS サービスを機械学習エンジニアリングに使用した経験が 1 年以上あること
• バックエンドソフトウェアデベロッパー、DevOps デベロッパー、データエンジニア、データサイエンティストなどの関連職での経験が 1 年以上あること
• Python などのプログラミング言語に関する基本的な理解
• AWS ML エンジニアアソシエイトの学習プランの以前のコースを修了していること

コースの概要

• セクション 1: はじめに

o    レッスン 1: このコースの使用方法

o    レッスン 2: コースの概要

o    レッスン 3: モデルパフォーマンスの評価

• セクション 2: モデルの適合

o    レッスン 4: モデルの過剰適合と過小適合

o    レッスン 5: モデルの過剰適合と過小適合の防止

o    レッスン 6: パフォーマンスを向上させるためのモデルの組み合わせ

• セクション 3: ハイパーパラメータのチューニング

o    レッスン 7: ハイパーパラメータのチューニングの利点

o    レッスン 8: ハイパーパラメータのチューニング手法

o    レッスン 9: Amazon SageMaker AMT を使用したハイパーパラメータのチューニング

• セクション 4: モデルサイズの管理

o    レッスン 10: モデルサイズの要素

o    レッスン 11: モデルサイズの縮小手法

• セクション 5: 事前トレーニング済みモデルの改良

o    レッスン 12: 事前トレーニング済みモデルのファインチューニングの利点

o    レッスン 13: AWS のカスタムデータセットによる事前トレーニング済みモデルのファインチューニング

o    レッスン 14: 壊滅的な忘却の防止

• セクション 6: モデルのバージョニング

o    レッスン 15: Amazon SageMaker Model Registry の利点

o    レッスン 16: SageMaker Model Registry によるモデルの登録とデプロイ

• セクション 7: まとめ

o    レッスン 17: コースのまとめ

o    レッスン 18: 評価テスト

o    レッスン 19: お問い合わせ