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
Accelerate Software Delivery using DevOpsMicrosoft via edX Infrastructure as Code
Microsoft via edX App Deployment, Debugging, and Performance
Google Cloud via Coursera Introduction to DevOps and Site Reliability Engineering
Linux Foundation via edX Configuration Management and the Cloud
Google via Coursera