En el curso Practical Data Science with Amazon SageMaker, de nivel intermedio, aprenderás cómo solucionar un caso de uso del mundo real con Machine Learning (ML) y producir resultados procesables mediante Amazon SageMaker. Este curso recorre las etapas de un proceso típico de ciencia de datos para aprendizaje automático, desde el análisis y la visualización de un conjunto de datos hasta la preparación de los datos y la ingeniería de características. También aprenderás los aspectos prácticos de la construcción de modelos, la capacitación, el ajuste y la implementación con Amazon SageMaker. Un caso de uso de la vida real incluye el análisis de retención de clientes para informar a los programas de fidelización de clientes.
Curso Practical Data Science with Amazon SageMaker
- AWS-PDSAS
- Intermedio
Próximos inicios
No disponibles en este momento.
Objetivos
- Preparar un conjunto de datos para el entrenamiento.
- Entrenar y evaluar un modelo de Machine Learning.
- Ajustar automáticamente un modelo de Machine Learning.
- Preparar un modelo de aprendizaje automático para la producción.
- Pensar críticamente sobre los resultados del modelo de Machine Learning
Dirigido a
- Desarrolladores.
- Científicos de datos.
Requisitos
- Tener conocimientos del lenguaje de programación Python.
- Tener conocimientos básicos de aprendizaje automático.
Certificación
Preparación para el examen de certificación:
Contenidos
Módulo 1: Introduction to machine learning
- Types of ML
- Job Roles in ML
- Steps in the ML pipeline
Módulo 2: Introduction to data prep and SageMaker
- Training and test dataset defined
- Introduction to SageMaker
- Demonstration: SageMaker console
- Demonstration: Launching a Jupyter notebook
Módulo 3: Problem formulation and dataset preparation
- Business challenge: Customer churn
- Review customer churn dataset
Módulo 4: Data analysis and visualization
- Demonstration: Loading and visualizing your dataset
- Exercise 1: Relating features to target variables
- Exercise 2: Relationships between attributes
- Demonstration: Cleaning the data
Módulo 5: Training and evaluating a model
- Types of algorithms
- XGBoost and SageMaker
- Demonstration: Training the data
- Exercise 3: Finishing the estimator definition
- Exercise 4: Setting hyper parameters
- Exercise 5: Deploying the model
- Demonstration: hyper parameter tuning with SageMaker
- Demonstration: Evaluating model performance
Módulo 6: Automatically tune a model
- Automatic hyper parameter tuning with SageMaker
- Exercises 6-9: Tuning jobs
Módulo 7: Deployment / production readiness
- Deploying a model to an endpoint
- A/B deployment for testing
- Auto Scaling
- Demonstration: Configure and test auto scaling
- Demonstration: Check hyper parameter tuning job
- Demonstration: AWS Auto Scaling
- Exercise 10-11: Set up AWS Auto Scaling
Módulo 8: Relative cost of errors
- Cost of various error types
- Demo: Binary classification cutoff
Módulo 9: Amazon SageMaker architecture and features
- Accessing Amazon SageMaker notebooks in a VPC
- Amazon SageMaker batch transforms
- Amazon SageMaker Ground Truth
- Amazon SageMaker Neo
Material del curso
Documentación oficial del curso Practical Data Science with Amazon SageMaker.
Perfil del docente
- Formador certificado por AWS.
- Más de 5 años de experiencia profesional.
- Más de 4 años de experiencia docente.
- Profesional activo en empresas del sector IT.
Beneficios para tu formación
Haz click aquí y descubre los descuentos, promociones y ayudas disponibles para tu formación tecnológica.
Solicitar información
Partner oficial de los principales fabricantes tecnológicos
The Swirl Logo es una marca registrada del grupo PeopleCert®. Utilizada bajo licencia de PeopleCert®. Todos los derechos reservados.