AWS ML Engineer Associate 3.2 Criar e desenvolver scripts de infraestrutura (Português) | AWS ML Engineer Associate 3.2 Create and Script Infrastructure (Portuguese)

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