AWS ML Engineer Associate 2.4 Analyze Model Performance (Simplified Chinese)

本课程是模型开发领域的最后一门课程，旨在指导您分析机器学习模型的性能。您将学习模型评估的关键概念和技术，包括分类和回归问题指标。您还将学习如何确定收敛问题并确保执行可重复的试验。最后，您将使用 Amazon SageMaker Clarify 和 Amazon SageMaker Debugger 等 AWS 服务来深入了解机器学习 (ML) 训练数据和模型问题。

• 课程级别：300
• 时长：1.5 小时

课堂活动

• 线上材料
• 练习
• 知识考核问题

课程目标

• 确定创建性能基准的方法。
• 评估模型性能、训练时间和成本之间的权衡情况。
• 确定分类问题评估技术和指标。
• 确定回归问题评估技术和指标。
• 使用 Amazon SageMaker Training Compiler 和 Amazon SageMaker Automatic Model Tuning (AMT) 确定收敛问题并防止模型收敛问题。
• 确定 SageMaker Clarify 指标，以深入了解机器学习训练数据和模型。
• 使用 SageMaker Clarify 解释模型输出。
• 描述如何使用 AWS 服务执行可重复的试验。
• 使用 SageMaker Model Debugger 调试模型收敛。

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 服务进行机器学习工程工作的经验
• 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 Python 等编程语言有基本的了解
• 已完成“AWS ML Engineer Associate”学习路径中的前几门课程

课程大纲

• 第 1 部分：简介

o    第 1 课：如何学习本课程

o    第 2 课：课程概览

o    第 3 课：性能基准

• 第 2 部分：模型评估

o    第 4 课：模型评估技术和指标

o    第 5 课：收敛问题

o    第 6 课：使用 SageMaker Debugger 调试模型收敛 

o    第 7 课：SageMaker Clarify 和指标概览

o    第 8 课：使用 SageMaker Clarify 解释模型输出

o    第 9 课：Amazon SageMaker Experiments

• 第 3 部分：总结

o    第 10 课：课程总结

o    第 11 课：评估

o    第 12 课：联系我们

• 结束