Low-Code Machine Learning on AWS (Korean)

Amazon SageMaker Data Wrangler 및 Amazon SageMaker Autopilot을 사용하여 데이터 분석가와 연구 분석가는 데이터를 준비하고, 최소한의 코딩으로 기계 학습(ML) 모델을 훈련시키고 배포할 수 있습니다. ML에 대한 심도 깊은 지식 없이도 테이블 형식 및 시계열 데이터용 ML 모델을 빌드하는 방법을 배웁니다. 또한 SageMaker Data Wrangler 및 SageMaker Autopilot을 사용하기 위한 모범 사례를 검토합니다. 

이 과정을 마치면 개념 증명(POC)을 지원하는 ML 모델을 빌드할 수 있게 됩니다. 또한 Data Scientist가 잠재적인 ML 모델 후보로 비즈니스 문제를 해결하도록 지원할 수 있습니다.

• 과정 수준: 중급
• 소요 시간: 4시간

참고: 이 과정은 Google Chrome(최신 주요 버전 2개), Microsoft Edge(최신 주요 버전 2개), Safari(최신 주요 버전 2개)에 최적화되어 있습니다.

활동

이 과정에는 대화형 온라인 교육과 지식 확인이 포함되어 있습니다.

과정 목표

이 과정에서는 다음을 배웁니다.

• ML 개념 및 수명 주기 단계 설명
• 모델 후보 평가에 사용되는 지표 설명
• SageMaker Data Wrangler를 사용하여 ML 모델 훈련을 위한 테이블 형식 및 시계열 데이터 준비 
• SageMaker Autopilot을 사용하여 ML 모델을 자동으로 빌드하고 목표 지표에 따라 모델 후보 목록에서 최선의 모델 식별  
• SageMaker Data Wrangler 및 SageMaker Autopilot을 사용하기 위한 모범 사례 설명

수강 대상

이 과정의 학습 대상은 다음과 같습니다.

• 데이터 분석가
• ML 외 분야 연구원
• 운영 연구 분석가
• 하급 Data Scientist

수강 전 권장 사항

이 과정을 수강하기 전에 다음 조건을 갖출 것을 권장합니다.

• 테이블 형식 또는 시계열 데이터를 분석, 정리 및 변환해 본 경험  
• 통계적 측정 및 회귀에 대한 기본적인 이해
• AWS Technical Essentials

과정 개요

모듈 1: 기계 학습 소개

ML 소개

• ML 기본 사항
• ML로 해결할 수 있는 문제
• ML 수명 주기
• 데이터 처리 및 인사이트 도출과 관련된 과제
• 지식 확인

모델 빌드 및 평가 지표

• 모델 빌드 소개
• 평가 지표를 적용하여 모델 선택
• ML 모델 빌드

요약

• 지식 확인
• 결론

모듈 2: 탐색적 데이터 분석 및 데이터 준비

SageMaker Data Wrangler 소개

• SageMaker Data Wrangler
• 데이터 분석

데이터 준비

• 간단한 모델
• 데이터 변환
• 데이터 변환 개발 및 크기 조정

요약

• 지식 확인
• 결론

모듈 3: Amazon SageMaker Autopilot 심층 분석

SageMaker Autopilot 소개

• 데이터 집합, 문제 유형 및 훈련 모드
• 검증 및 지표
• 자동 모델 배포

요약

• 지식 확인
• 결론

모듈 4: 운영 모범 사례

SageMaker Data Wrangler 모범 사례

• 환경 최적화
• 비용 최적화
• 데이터 최적화
• 보안 최적화

SageMaker Autopilot에 대한 모범 사례

• 모범 사례 및 권장 사항

요약

• 지식 확인
• 결론