AWS ML Engineer Associate 3.1 Select a Deployment Infrastructure (Simplified Chinese)

本课程详尽介绍了机器学习 (ML) 管道中的模型部署。在简介中，您将了解基本的部署概念。然后，在第一部分中，您将了解生产基础设施的基本组成部分。这部分指导您为 ML 工作流选择最佳编排服务。然后，您将了解您可以在 ML 生命周期的部署阶段使用的 Amazon Web Services (AWS) 工具和服务。 下一部分介绍推理基础设施。您将学习如何根据主要优势选择最佳部署目标。您还将学习如何根据特定要求选择合适的环境以进行训练和推理。接下来，您将探索各种 AWS 计算实例类型，了解如何区分按需资源和预置资源。最后，您将回顾如何在生产环境和测试环境中预置计算资源。

• 课程级别：高级
• 时长：1 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。

活动

• 在线资料
• 知识考核问题
• 课程评估

课程目标

• 在 ML 管道中定义模型部署。
• 描述生产基础设施及其组件。
• 比较和对比 ML 工作流的编排服务。
• 说明部署基础设施的设计考虑因素。
• 根据主要优势选择最佳部署目标。
• 描述 ML 模型部署策略及其端点要求。
• 根据主要优势选择最佳模型部署托管策略。
• 根据主要优势选择多模型部署或多容器部署。
• 根据主要优势选择最佳容器选项。
• 列出并描述 ML 解决方案的 AWS 计算实例类型。
• 根据特定要求选择最佳计算环境以进行训练和推理。
• 区分按需资源和预置资源以解决性能和扩展问题。
• 描述如何在生产环境和测试环境中预置计算资源。
• 描述在边缘设备上优化模型的方法。

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：领域 3 简介
  • 第 3 课：课程概览
  • 第 4 课：模型部署基础知识
• 第 2 部分：模型构建和部署基础设施
  • 第 5 课：构建可重复框架
  • 第 6 课：工作流编排选项
• 第 3 部分：推理基础设施
  • 第 7 课：部署注意事项和目标选项
  • 第 8 课：选择模型推理策略
  • 第 9 课：用于推理的容器和实例类型
  • 第 10 课：使用边缘计算优化部署
• 第 4 部分：总结
  • 第 11 课：课程总结
  • 第 12 课：评估
  • 第 13 课：联系我们