|
学習内容
|
1. AWS での機械学習 (ML)
- トピックA：ML の概要
- トピックB：Amazon SageMaker Al
- トピックC：責任あるML
2. ML 課題の分析
- トピックA：ML ビジネス課題の評価
- トピックB：ML トレーニングアプローチ
- トピックC：ML トレーニングアルゴリズム
3. ML のためのデータ処理
- トピックA：データ準備と種類
- トピックB：探索的データ分析
- トピックC：AWS ストレージオプションとストレージの選択
4. データ変換と特徴量エンジニアリング
- トピックA：不正確、重複、および欠落したデータの処理
- トピックB：特徴量エンジニアリングの概念
- トピックC：特徴量選択テクニック
- トピックD：AWS データ変換サービス
- ラボ1：Amazon SageMaker Data Wrangler と Amazon EMR でデータ分析して準備する
- ラボ2：SageMaker Processing と SageMaker Python SDK を使用したデータ処理
5. モデリングアプローチの選択
- トピックA：Amazon SageMaker Al 組み込みアルゴリズム
- トピックB：Amazon SageMaker Autopilot
- トピックC：組み込みのトレーニングアルゴリズムを選択する
- トピックD：モデル選択の考慮事項
- トピックE：ML コストに関する考慮事項
6. ML モデルのトレーニング
- トピックA：モデルトレーニングコンセプト
- トピックB：SageMaker Al でのモデルトレーニング
- ラボ3：Amazon SageMaker Al でのモデルのトレーニング
7. ML モデルの評価とチューニング
- トピックA：モデルパフォーマンスの評価
- トピックB：トレーニング時間を削減する手法
- トピックC：ハイパーパラメータチューニング手法
- ラボ4：Amazon SageMaker Al でのモデルチューニングとハイパーパラメータの最適化
8. モデルデプロイ戦略
- トピックA：デプロイの考慮事項とターゲット
- トピックB：デプロイ戦略
- トピックC：モデル推論戦略の選択
- トピックD：推論用のコンテナとインスタンスタイプ
- ラボ5：トラフィックのシフト
9. ML リソースの保護
- トピックA：アクセスコントロール
- トピックB：ML リソースのネットワークアクセス制御
- トピックC：CI/CD パイプラインのセキュリティ考慮事項
10. ML オペレーション (MLOps) と自動デプロイ
- トピックA：MLOps の紹介
- トピックB：CI/CD パイプラインにおけるテストの自動化
- トピックC：継続的デリバリサービス
- ラボ6：Amazon SageMaker Pipeline と Amazon SageMaker Model Registry を Amazon SageMaker Studio で使用
11. モデルパフォーマンスとデータ品質のモニタリング
- トピックA：ML モデルのドリフト検出
- トピックB：SageMaker Model Monitor
- トピックC：データ品質とモデル品質のモニタリング
- トピックD：自動修復とトラブルシューティング
- ラボ7：データドリフトのモデルの監視する
|