|
学習内容
|
1. AWS での機械学習 (ML) の紹介
- トピックA：ML の紹介
- トピックB：Amazon SageMaker Al
- トピックC：責任あるML
2. 機械学習 (ML) の課題の分析
- 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. 機械学習 (ML) のためのデータ処理
- トピックA：データ準備とタイプ
- 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：不正なデータ、重複したデータ、欠損データの処理
- トピックB：特徴量エンジニアリングの概念
- トピックC：特徴量選択技術
- 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 を使用したデータの分析と準備
- 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 内蔵アルゴリズム
- トピックB：Amazon SageMaker Autopilot
- トピックC：組み込みトレーニングアルゴリズムの選択
- トピックD：モデル選択の考慮事項
- トピックE：ML コストの考慮事項
6. 機械学習 (ML) モデルのトレーニング
- トピックB：Amazon 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. 機械学習 (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短縮する技術
- トピックC：ハイパーパラメータチューニング技術
- ラボ4：Amazon SageMaker Al を使用したモデルチューニングとハイパーパラメータ最適化
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オプション
- 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. AWS 機械学習 (ML) リソースのセキュリティ
- トピックA：アクセス制御
- 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に関する考慮事項
10. 機械学習オペレーション (MLOps) と自動デプロイ
- トピックA：MLOps の概要
- トピックB：CI/CD パイプラインでのテストの自動化
- トピックC：継続的デリバリ
- ラボ6：Amazon SageMaker Studio で Amazon SageMaker Pipelines と Amazon SageMaker Model Registry を使用する
11. モデルパフォーマンスとデータ品質の監視
- トピックA：ML モデルにおけるドリフトの検出
- 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監視
- トピックD：自動修復とトラブルシューティング
- ラボ7：モデルのデータドリフトを監視する
|