AWS ML Engineer Associate 2.3 Refine Models (Simplified Chinese)

在本课程中，您将学习如何优化机器学习 (ML) 模型。首先，您将回顾缓解偏差和提高模型性能的方法，并学习如何防止模型过拟合和欠拟合。然后，您将了解如何结合多种方法来提高模型性能，以及如何使用超参数优化来生成优化的模型结果。

您还将研究模型大小和模型版本控制的变化，并探索 Amazon SageMaker 服务如何协助完成模型优化过程。

• 课程级别：300
• 时长：2 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

• 定义和解释模型评估指标，例如模型偏差和模型方差。
• 描述检测模型过拟合和欠拟合的方法。
• 使用正则化方法和特征选择来防止模型过拟合和欠拟合。
• 通过集成方法（例如提升法、套袋法和堆叠法）合并多个训练模型，以提高模型性能。
• 解释超参数如何影响模型性能。
• 定义关键的超参数优化方法。
• 执行自动超参数优化以提高模型性能。
• 确定影响模型大小的关键因素。
• 通过迭代模型剪枝来减小模型大小。
• 使用自定义数据集通过 Amazon SageMaker JumpStart 和 Amazon Bedrock 微调预训练模型。
• 使用正则化方法和特征选择来防止灾难性遗忘。
• 使用 Amazon SageMaker 模型注册表管理模型版本以实现可重复性和审计。

培训对象

• 云架构师
• 机器学习工程师

推荐技能

• 拥有至少 1 年使用 SageMaker 和其他 AWS 服务进行机器学习工程工作的经验
• 拥有至少 1 年相关职位（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）的工作经验
• 对 Python 等编程语言有基本的了解
• 已完成 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：课程概览
  • 第 3 课：评估模型性能
• 第 2 部分：模型拟合
  • 第 4 课：模型过拟合与欠拟合
  • 第 5 课：模型过拟合与欠拟合预防
  • 第 6 课：模型组合可提高性能
• 第 3 部分：超参数优化
  • 第 7 课：超参数优化的好处
  • 第 8 课：超参数优化技术
  • 第 9 课：使用 Amazon SageMaker AMT 进行超参数优化
• 第 4 部分：管理模型大小
  • 第 10 课：模型大小因素
  • 第 11 课：模型大小缩减技术
• 第 5 部分：优化预训练模型
  • 第 12 课：微调预训练模型的好处
  • 第 13 课：在 AWS 上使用自定义数据集微调预训练模型
  • 第 14 课：灾难性遗忘预防
• 第 6 部分：模型版本控制
  • 第 15 课：Amazon SageMaker 模型注册表的好处
  • 第 16 课：使用 SageMaker 模型注册表注册和部署模型
• 第 7 部分：总结
  • 第 17 课：课程总结
  • 第 18 课：评估
  • 第 19 课：联系我们