AWS ML Engineer Associate 2.4 Analyze Model Performance (Japanese)

このモデル開発ドメインの最終コースでは、ML モデルのパフォーマンスを分析する方法について説明します。分類や回帰問題のメトリクスなど、モデル評価の主な概念と手法について学びます。また、コンバージェンスの問題を特定し、再現性のある実験を行う方法についても学びます。最後に、Amazon SageMaker Clarify や Amazon SageMaker Debugger などの AWS サービスを使用して、機械学習 (ML) のトレーニングデータとモデルの問題についてのインサイトを得ます。

・コースレベル :上級

・所要時間: 1 時間 30 分

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

このコースでは、以下について学習します。

-    パフォーマンスベースラインの作成方法を特定する。

-    モデルのパフォーマンス、トレーニング時間、コストの間のトレードオフを評価する。

-    分類問題の評価手法と指標を特定する。

-    回帰問題の評価手法と指標を特定する。

-    Amazon SageMaker Training Compiler と Amazon SageMaker Automatic Model Tuning (AMT) を使用して、コンバージェンスの問題を特定し、モデルのコンバージェンスの問題を防止する。

-    ML トレーニングデータおよびモデルに関するインサイトを得るための SageMaker Clarify メトリクスを特定する。

-    SageMaker Clarify を使用してモデルの出力を解釈する。

-    AWS サービスを使用して再現可能な実験を行う方法を説明する。

-    SageMaker Model Debugger を使用してモデルコンバージェンスをデバッグする。

対象者

このコースは次のような方を対象としています。

-    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

　　・レッスン 1: このコースの使用方法

　　・レッスン 2: コースの概要

　　・レッスン 3: パフォーマンスベースライン

セクション 2: モデル評価

　　・レッスン 4: モデル評価の手法と指標

　　・レッスン 5: コンバージェンスの問題

　　・レッスン 6: SageMaker Debugger によるモデルコンバージェンスのデバッグ 

　　・レッスン 7: SageMaker Clarify とメトリクスの概要

　　・レッスン 8: SageMaker Clarify を使用してモデルの出力を解釈する

　　・レッスン 9: Amazon SageMaker の実験

セクション 3: まとめ

　　・レッスン 10: コースのまとめ

　　・レッスン 11: 評価テスト

　　・レッスン 12: お問い合わせ