Contacta con el centro para más información
Pide Información y sin compromiso
Descripción del curso
Detalles
Dirigido a:
Requisitos:
Es recomendable tener:
- Familiaridad con los conceptos básicos de Machine Learning.
- Conocimientos de programación Python y librerías de data science como NumPy, Pandas y Scikit-learn.
- Conceptos básicos de computación en la nube y familiaridad con AWS.
- Experiencia con sistemas de control de versiones como Git (beneficioso pero no obligatorio).
Comentarios:
Curso para ingenieros de ML. Adquiere experiencia práctica en la construcción de pipelines ML escalables con Amazon SageMaker. Cubre Data Prep (Data Wrangler), entrenamiento/ajuste de modelos, despliegue (MLOps) y seguridad. Es clave para el desarrollo de soluciones ML robustas y listas para producción.
Objetivos:
- Explicar los fundamentos del aprendizaje automático (ML) y sus aplicaciones en la nube de AWS.
- Procesar, transformar y preparar datos para tareas de ML utilizando servicios de AWS.
- Seleccionar algoritmos de ML y enfoques de modelado adecuados según los requisitos del problema y la interpretabilidad del modelo.
- Diseñar e implementar pipelines de ML escalables utilizando servicios de AWS para el entrenamiento, despliegue y orquestación de modelos.
- Crear pipelines automatizados de integración y entrega continua (CI/CD) para flujos de trabajo de ML.
Discutir medidas de seguridad apropiadas para los recursos de ML en AWS.
- Implementar estrategias de monitoreo para modelos de ML desplegados, incluyendo técnicas para detectar desviaciones en los datos (data drift).
Audiencia:
Este curso está diseñado para profesionales interesados en construir, desplegar y operacionalizar modelos de Machine Learning en AWS:
- Ingenieros de ML en activo o en formación (aunque tengan poca experiencia en AWS)
- Ingenieros DevOps
- Desarrolladores
- Ingenieros SysOps
Materiales:
Documentación oficial del curso Machine Learning Engineering on AWS.
Temario:
Contenidos
Módulo 1: Course Introduction
Módulo 2: Introduction to Machine Learning (ML) on AWS
Introduction to ML
Amazon SageMaker AI
Responsible ML
Módulo 3: Analyzing Machine Learning (ML) Challenges
Evaluating ML business challenges
ML training approaches
ML training algorithms
Módulo 4: Data Processing for Machine Learning (ML)
Data preparation and types
Exploratory data analysis
AWS storage options and choosing storage
Módulo 5: Data Transformation and Feature Engineering
Handling incorrect, duplicated, and missing data
Feature engineering concepts
Feature selection techniques
AWS data transformation services
Lab 1: Analyze and Prepare Data with Amazon SageMaker Data Wrangler and Amazon EMR
Lab 2: Data Processing Using SageMaker Processing and the SageMaker Python SDK
Módulo 6: Choosing a Modeling Approach
Amazon SageMaker AI built-in algorithms
Selecting built-in training algorithms
Amazon SageMaker Autopilot
Model selection considerations
ML cost considerations
Módulo 7: Training Machine Learning (ML) Models
Model training concepts
Training models in Amazon SageMaker AI
Lab 3: Training a model with Amazon SageMaker AI
Módulo 8: Evaluating and Tuning Machine Learning (ML) models
Evaluating model performance
Techniques to reduce training time
Hyperparameter tuning techniques
Lab 4: Model Tuning and Hyperparameter Optimization with Amazon SageMaker AI
Módulo 9: Model Deployment Strategies
Deployment considerations and target options
Deployment strategies
Choosing a model inference strategy
Container and instance types for inference
Lab 5: Shifting Traffic A/B
Módulo 10: Securing AWS Machine Learning (ML) Resources
Access control
Network access controls for ML resources
Security considerations for CI/CD pipelines
Módulo 11: Machine Learning Operations (MLOps) and Automated Deployment
Introduction to MLOps
Automating testing in CI/CD pipelines
Continuous delivery services
Lab 6: Using Amazon SageMaker Pipelines and the Amazon SageMaker Model Registry with Amazon SageMaker Studio
Módulo 12: Monitoring Model Performance and Data Quality
Detecting drift in ML models
SageMaker Model Monitor
Monitoring for data quality and model quality
Automated remediation and troubleshooting
Lab 7: Monitoring a Model for Data Drift
Módulo 13: Course Wrap-up
Profesorado:
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.
Titulación:
Certificación:
Preparación para el examen de certificación AWS Certified Machine Learning Engineer Associate.
El objetivo del curso no es la preparación directa del examen, sino proporcionarte los fundamentos, competencias y prácticas imprescindibles para que lo afrontes con la más alta probabilidad de éxito. Antes de presentarte al examen es importante que repases y trabajes los contenidos vistos en el curso, aplicando en la práctica lo aprendido. De esta manera, aumentarás de forma significativa tus probabilidades de éxito en la certificación.
Duración:
21 horas...
Requisitos:
Es recomendable tener:
- Familiaridad con los conceptos básicos de Machine Learning.
- Conocimientos de programación Python y librerías de data science como NumPy, Pandas y Scikit-learn.
- Conceptos básicos de computación en la nube y familiaridad con AWS.
- Experiencia con sistemas de control de versiones como Git (beneficioso pero no obligatorio).
Comentarios:
Curso para ingenieros de ML. Adquiere experiencia práctica en la construcción de pipelines ML escalables con Amazon SageMaker. Cubre Data Prep (Data Wrangler), entrenamiento/ajuste de modelos, despliegue (MLOps) y seguridad. Es clave para el desarrollo de soluciones ML robustas y listas para producción.
Objetivos:
- Explicar los fundamentos del aprendizaje automático (ML) y sus aplicaciones en la nube de AWS.
- Procesar, transformar y preparar datos para tareas de ML utilizando servicios de AWS.
- Seleccionar algoritmos de ML y enfoques de modelado adecuados según los requisitos del problema y la interpretabilidad del modelo.
- Diseñar e implementar pipelines de ML escalables utilizando servicios de AWS para el entrenamiento, despliegue y orquestación de modelos.
- Crear pipelines automatizados de integración y entrega continua (CI/CD) para flujos de trabajo de ML.
Discutir medidas de seguridad apropiadas para los recursos de ML en AWS.
- Implementar estrategias de monitoreo para modelos de ML desplegados, incluyendo técnicas para detectar desviaciones en los datos (data drift).
Audiencia:
Este curso está diseñado para profesionales interesados en construir, desplegar y operacionalizar modelos de Machine Learning en AWS:
- Ingenieros de ML en activo o en formación (aunque tengan poca experiencia en AWS)
- Ingenieros DevOps
- Desarrolladores
- Ingenieros SysOps
Materiales:
Documentación oficial del curso Machine Learning Engineering on AWS.
Temario:
Contenidos
Módulo 1: Course Introduction
Módulo 2: Introduction to Machine Learning (ML) on AWS
Introduction to ML
Amazon SageMaker AI
Responsible ML
Módulo 3: Analyzing Machine Learning (ML) Challenges
Evaluating ML business challenges
ML training approaches
ML training algorithms
Módulo 4: Data Processing for Machine Learning (ML)
Data preparation and types
Exploratory data analysis
AWS storage options and choosing storage
Módulo 5: Data Transformation and Feature Engineering
Handling incorrect, duplicated, and missing data
Feature engineering concepts
Feature selection techniques
AWS data transformation services
Lab 1: Analyze and Prepare Data with Amazon SageMaker Data Wrangler and Amazon EMR
Lab 2: Data Processing Using SageMaker Processing and the SageMaker Python SDK
Módulo 6: Choosing a Modeling Approach
Amazon SageMaker AI built-in algorithms
Selecting built-in training algorithms
Amazon SageMaker Autopilot
Model selection considerations
ML cost considerations
Módulo 7: Training Machine Learning (ML) Models
Model training concepts
Training models in Amazon SageMaker AI
Lab 3: Training a model with Amazon SageMaker AI
Módulo 8: Evaluating and Tuning Machine Learning (ML) models
Evaluating model performance
Techniques to reduce training time
Hyperparameter tuning techniques
Lab 4: Model Tuning and Hyperparameter Optimization with Amazon SageMaker AI
Módulo 9: Model Deployment Strategies
Deployment considerations and target options
Deployment strategies
Choosing a model inference strategy
Container and instance types for inference
Lab 5: Shifting Traffic A/B
Módulo 10: Securing AWS Machine Learning (ML) Resources
Access control
Network access controls for ML resources
Security considerations for CI/CD pipelines
Módulo 11: Machine Learning Operations (MLOps) and Automated Deployment
Introduction to MLOps
Automating testing in CI/CD pipelines
Continuous delivery services
Lab 6: Using Amazon SageMaker Pipelines and the Amazon SageMaker Model Registry with Amazon SageMaker Studio
Módulo 12: Monitoring Model Performance and Data Quality
Detecting drift in ML models
SageMaker Model Monitor
Monitoring for data quality and model quality
Automated remediation and troubleshooting
Lab 7: Monitoring a Model for Data Drift
Módulo 13: Course Wrap-up
Profesorado:
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.
Titulación:
Certificación:
Preparación para el examen de certificación AWS Certified Machine Learning Engineer Associate.
El objetivo del curso no es la preparación directa del examen, sino proporcionarte los fundamentos, competencias y prácticas imprescindibles para que lo afrontes con la más alta probabilidad de éxito. Antes de presentarte al examen es importante que repases y trabajes los contenidos vistos en el curso, aplicando en la práctica lo aprendido. De esta manera, aumentarás de forma significativa tus probabilidades de éxito en la certificación.
Duración:
21 horas
Sede principal del centro
Madrid: Calle de la Basílica 19 - 28020 - Madrid- Madrid: Calle de la Basílica 19 - 28020 - Madrid
Ofertas relacionadas
| Disculpa las molestias, en este momento no existen programas similares |
