Low-Code Machine Learning on AWS (Japanese)

Amazon SageMaker Data Wrangler と Amazon SageMaker Autopilot を使えば、データアナリストとリサーチアナリストは最小限のコーディングでデータの準備、トレーニング、機械学習 (ML) モデルのデプロイを行えます。機械学習の深い知識がなくても、表データや時系列データの機械学習モデルを構築する方法を学びます。また、SageMaker Data Wrangler と SageMaker Autopilot を使用するためのベストプラクティスについても確認します。

このコースを完了したら、概念実証 (POC) をサポートする機械学習モデルを構築できるようになります。また、ビジネス上の問題を解決する機械学習モデルの候補について、データサイエンティストの支援も行えるようになります。

•    コースレベル: 中級

•    所要時間: 4 時間

アクティビティ

このコースには、e ラーニングインタラクションとナレッジチェックが含まれます。

コースの目標

このコースでは、以下の内容を学習します。

•    機械学習の概念とライフサイクルのフェーズについて説明する

•    モデル候補を評価するために使われるメトリクスについて説明する

•    SageMaker Data Wrangler を使って、機械学習モデルのトレーニングに使われる表データと時系列データを準備する 

•    SageMaker Autopilot を使って機械学習モデルを自動的に構築し、目標メトリクスに基づいてモデル候補のリストから最適なモデルを特定する  

•    SageMaker Data Wrangler と SageMaker Autopilot を使用するためのベストプラクティスを説明する

コースの対象者

このコースは以下のような方を対象としています。

•    データアナリスト

•    機械学習分野以外の研究者

•    オペレーションズリサーチアナリスト

•    ジュニアデータサイエンティスト

前提条件

このコースを受講するにあたり、次の前提条件を満たしておくことをお勧めします。

•    表データまたは時系列データの分析、クレンジング、変換を行った経験がある  

•    統計的尺度と回帰に関する基本的な理解がある

•    AWS Technical Essentials (Japanese)

コースの概要

モジュール 1: 機械学習の概論

機械学習の概論

•    機械学習の基礎

•    機械学習で解決できる問題

•    機械学習ライフサイクル

•    データ処理とインサイト生成に伴う課題

•    ナレッジチェック

モデルの構築と評価メトリクス

•    モデル構築の概要

•    モデル選択における評価メトリクスの適用

•    機械学習モデルの構築

まとめ

•    ナレッジチェック

•    まとめ

モジュール 2: 探索的データ分析とデータの準備

SageMaker Data Wrangler の概要

•    SageMaker Data Wrangler

•    データ分析

データの準備

•    Quick Model

•    データの変換

•    データ変換の開発とスケール

まとめ

•    ナレッジチェック

•    まとめ

モジュール 3: Amazon SageMaker Autopilot の詳細

SageMaker Autopilot の概要

•    データセット、問題のタイプ、トレーニングモード

•    検証とメトリクス

•    モデルの自動デプロイ

まとめ

•    ナレッジチェック

•    まとめ

モジュール 4: 運用上のベストプラクティス

SageMaker Data Wrangler のベストプラクティス

•    環境の最適化

•    コストの最適化

•    データの最適化

•    セキュリティの最適化

SageMaker Autopilot のベストプラクティス

•    ベストプラクティスと推奨事項

まとめ

•    ナレッジチェック

•    まとめ