借助 Amazon SageMaker Data Wrangler 和 Amazon SageMaker Autopilot，数据分析师和研究分析师只需执行极少的编码即可准备数据，训练和部署机器学习 (ML, machine learning) 模型。您将学习在不具备深入的 ML 知识的情况下，为表格和时间序列数据构建 ML 模型。您还将了解使用 SageMaker Data Wrangler 和 SageMaker Autopilot 的最佳实践。

学完本课程后，您将能够构建 ML 模型来支持概念验证 (POC, proof of concept)。您还将能够协助数据科学家寻找可能的候选 ML 模型来解决业务问题。

• 课程级别：中级
• 时长：4 小时

活动

本课程包括在线学习互动和知识考核。

课程目标

在本课程中，您将学习：

• 描述 ML 概念和生命周期阶段
• 描述用于评估候选模型的指标
• 使用 SageMaker Data Wrangler 准备表格和时间序列数据以训练 ML 模型 
• 使用 SageMaker Autopilot 自动构建 ML 模型，并根据您的目标指标从候选模型列表中识别最佳模型  
• 描述使用 SageMaker Data Wrangler 和 SageMaker Autopilot 的最佳实践

培训对象

本课程面向：

• 数据分析师
• 非 ML 领域的研究人员
• 运筹分析师
• 初级数据科学家

先决条件

我们建议符合以下条件的人员参加本课程：

• 具有分析、清理和转换表格或时间序列数据的经验  
• 对统计测量和回归有基本的了解
• 已学完 AWS Technical Essentials

课程大纲

模块 1：机器学习简介

ML 简介

• ML 基本知识
• ML 可以解决的问题
• ML 生命周期
• 处理数据和获得见解方面存在的挑战
• 知识考核

模型构建和评估指标

• 模型构建简介
• 应用评估指标来选择模型
• 构建 ML 模型

结束

• 知识考核
• 总结

模块 2：探索性数据分析和数据准备

SageMaker Data Wrangler 简介

• SageMaker Data Wrangler
• 数据分析

数据准备

• 快速模型
• 转换数据
• 开发和扩展数据转换

结束

• 知识考核
• 总结

模块 3：深入讨论 Amazon SageMaker Autopilot

SageMaker Autopilot 简介

• 数据集、问题类型和训练模式
• 验证和指标
• 自动模型部署

结束

• 知识考核
• 总结

模块 4：运营最佳实践

SageMaker Data Wrangler 最佳实践

• 环境优化
• 成本优化
• 数据优化
• 安全优化

SageMaker Autopilot 最佳实践

• 最佳实践和建议

结束

• 知识考核
• 总结