AWS ML Engineer Associate 3.2 Create and Script Infrastructure (Simplified Chinese)

本领域的第二门课程将探讨如何为机器学习 (ML) 解决方案构建基础设施并编写脚本，重点探讨可维护性、可扩展性和成本效益。您将了解基础设施即代码 (IaC)，了解如何以编程方式创建、部署和管理基础设施。此外，您还将了解如何使用 AWS Cloud Development Kit (AWS CDK) 之类的工具编写代码来定义云基础设施，以及如何通过 AWS CloudFormation 自动进行预置。本课程还涵盖了用于在 AWS 云中部署 ML 模型的 Amazon SageMaker Python SDK。您还将了解如何使用容器来支持您的 DevOps 工作，并了解管理和托管容器的 Amazon Web Services (AWS) 服务。最后，您将查看并了解用于优化应用程序性能的自动扩缩方法。

• 课程级别：高级
• 时长：1 小时 30 分钟

活动

• 线上资料
• 练习
• 知识考核问题

课程目标

• 描述创建可维护、可扩展和具有成本效益的 ML 解决方案的最佳实践。
• 描述 IaC 的优势和使用案例。
• 描述 CloudFormation（作为一种自动预置资源的方法）。
• 描述 AWS CDK（作为一种自动预置资源的方法）。
• 描述使用适用于 AWS CDK 和 CloudFormation 的代码部署资源的示例。
• 比较和对比 AWS CDK 和 CloudFormation 在自动预置资源方面的情况。
• 描述如何构建和维护容器。
• 解释容器化概念和 AWS 容器服务。
• 使用 Amazon SageMaker SDK 部署和托管 ML 模型。
• 根据主要优势选择自动扩缩部署指标。
• 描述如何使用 SageMaker 终端节点自动扩缩策略来满足可扩展性要求。

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：AWS 机器学习部署最佳实践

• 第 2 部分：预置资源的方法

o    第 4 课：基础设施即代码

o    第 5 课：使用 AWS CloudFormation

o    第 6 课：使用 AWS CDK

o    第 7 课：比较 AWS CloudFormation 和 AWS CDK

• 第 3 部分：部署和托管模型

o    第 8 课：Amazon SageMaker Python SDK

o    第 9 课：构建和维护容器

o    第 10 课：自动扩缩推理基础设施

• 第 4 部分：总结

o    第 11 课：课程总结

o    第 12 课：评估

o    第 13 课：联系我们