透過 Amazon SageMaker Data Wrangler 和 Amazon SageMaker Autopilot，資料和研究分析師可在使用最少程式碼的情況下準備資料、訓練和部署機器學習 (ML) 模型。您將學習如何為表格式和時間序列資料建置 ML 模型，且無須深度了解 ML。您也將檢閱使用 SageMaker Data Wrangler 和 SageMaker Autopilot 的最佳實務。

完成本課程後，您將能夠建置 ML 模型來支援概念驗證 (POC)。此外，您也能夠協助資料科學家尋找潛在 ML 候選模型，從而解決企業問題。

• 課程等級：中級
• 持續時間：4 小時

活動

本課程包含線上學習互動和知識檢測。

課程目標

在本課程中，您將學習：

• 描述 ML 概念和生命週期階段
• 描述用於評估候選模型的指標
• 使用 SageMaker Data Wrangler 準備用於訓練 ML 模型的表格式和時間序列資料 
• 使用 SageMaker Autopilot 自動建置 ML 模型，並根據目標指標從候選模型清單中找出最佳模型  
• 描述使用 SageMaker Data Wrangler 和 SageMaker Autopilot 的最佳實務

目標對象

本課程適用於：

• 資料分析師
• 非 ML 領域的研究人員
• 營運研究分析師
• 初級資料科學家

先決條件

我們建議參加本課程的人員具備：

• 分析、清理和轉換表格式或時間序列資料的經驗  
• 統計測量和迴歸的基本知識
• 已完成 AWS Technical Essentials 課程

課程大綱

單元 1：機器學習簡介

ML 簡介

• ML 基礎知識
• ML 可以解決的問題
• ML 生命週期
• 處理資料和獲取洞見時的難題
• 知識檢測

模型建置和評估指標

• 模型建置簡介
• 套用評估指標以選取模型
• 建置 ML 模型

總結

• 知識檢測
• 結論

單元 2：探索性資料分析和資料準備

SageMaker Data Wrangler 簡介

• SageMaker Data Wrangler
• 資料分析

資料準備

• 快速模型
• 轉換資料
• 開發和擴展資料轉換

總結

• 知識檢測
• 結論

單元 3：深入探討 Amazon SageMaker Autopilot

SageMaker Autopilot 簡介

• 資料集、問題類型和訓練模式
• 驗證和指標
• 自動部署模型

總結

• 知識檢測
• 結論

單元 4：營運最佳實務

使用 SageMaker Data Wrangler 的最佳實務

• 環境最佳化
• 成本最佳化
• 資料最佳化
• 安全性最佳化

使用 SageMaker Autopilot 的最佳實務

• 最佳實務和建議

總結

• 知識檢測
• 結論