AWS ML Engineer Associate 3.2 Criar e desenvolver scripts de infraestrutura (Português) | AWS ML Engineer Associate 3.2 Create and Script Infrastructure (Portuguese)
Offered By: Amazon Web Services via AWS Skill Builder
Course Description
Overview
O segundo curso deste tema analisa a criação e o desenvolvimento de scripts de infraestrutura para soluções de machine learning (ML), com foco na capacidade de manutenção, escalabilidade e economia. Você conhecerá a infraestrutura como código (IaC) para criar, implantar e gerenciar a infraestrutura de modo programático. Além disso, você aprenderá a usar ferramentas como o AWS Cloud Development Kit (AWS CDK) para definir a infraestrutura de nuvem em código e automatizar o provisionamento por meio do AWS CloudFormation. Este curso também aborda o Amazon SageMaker Python SDK para implantação de modelos de ML na nuvem AWS. Você também aprenderá sobre o uso de contêineres para dar suporte aos seus esforços de DevOps e sobre os serviços da Amazon Web Services (AWS) para gerenciar e hospedar contêineres. Por fim, você examinará e explorará os métodos de scaling automático para otimizar o desempenho da aplicação.
- Nível do curso: avançado
- Duração: 1 hora e 30 minutos
Observação: Este curso tem transcrições/legendas traduzidas. A narração está em inglês. Para exibir as legendas, clique no botão CC no canto inferior direito do player.
Atividades
- Materiais on-line
- Exercícios
- Perguntas de teste de conhecimento
Objetivos do curso
- Descrever as práticas recomendadas para criar soluções de ML que sejam sustentáveis, dimensionáveis e econômicas.
- Descrever os benefícios e os casos de uso da IaC.
- Descrever o CloudFormation como um método para provisionar recursos automaticamente.
- Descrever o AWS CDK como um método para provisionar recursos automaticamente.
- Descrever exemplos de implantação de recursos com código para o AWS CDK e o CloudFormation.
- Comparar e contrastar o AWS CDK e o CloudFormation em relação à automatização de recursos.
- Descrever como criar e manter contêineres.
- Explicar os conceitos de conteinerização e os serviços de contêineres da AWS.
- Implantar e hospedar os modelos de ML com o SDK do Amazon SageMaker.
- Escolher métricas para implantações de scaling automático com base nos principais benefícios.
- Descrever como atender aos requisitos de escalabilidade com as políticas de scaling automático de endpoints do SageMaker.
Público-alvo
- Arquitetos de nuvem
- Engenheiros de machine learning
Habilidades recomendadas
- Ter pelo menos um ano de experiência com o uso da solução SageMaker e outros serviços da AWS para engenharia de ML
- Ter pelo menos um ano de experiência em uma função relacionada, como desenvolvedor de software de back-end, desenvolvedor de DevOps, engenheiro de dados ou data scientist
- Ter compreensão básica de linguagens de programação, como Python
- Ter concluído os cursos anteriores no plano de aprendizado AWS ML Engineer Associate
Conteúdo do curso
- Seção 1: Introdução
- Lição 1: Como usar este curso
- Lição 2: Visão geral do curso
- Lição 3: Práticas recomendadas de implantação do AWS Machine Learning
- Seção 2: Métodos para provisionar recursos
- Lição 4: Infraestrutura como código
- Lição 5: Trabalhar com o AWS CloudFormation
- Lição 6: Trabalhar com o AWS CDK
- Lição 7: Comparar o AWS CloudFormation e o AWS CDK
- Seção 3: Implantar e hospedar modelos
- Lição 8: Amazon SageMaker Python SDK
- Lição 9: Criar e manter contêineres
- Lição 10: Infraestrutura de inferência de scaling automático
- Seção 4: Conclusão
- Lição 11: Resumo do curso
- Lição 12: Avaliação
- Lição 13: Entrar em contato conosco
Tags
Related Courses
AWS Infrastructure with Python: Getting StartedPluralsight AWS Infrastructure with TypeScript: Getting Started
Pluralsight AWS Cloud Development Kit: The Big Picture
Pluralsight Managing AWS Infrastructure with Python
Pluralsight AWS Infrastructure as Code for Software Developers
LinkedIn Learning