آموزش ماشین دارای گواهینامه AWS – تخصص (MLS-C01) - 2023 دوره جامعی است که شما را برای آزمون تخصصی آموزش ماشینی دارای گواهی AWS (MLS-C01) آماده می کند. این دوره دانش و مهارت های شما را در مفاهیم و برنامه های یادگیری ماشین در پلت فرم AWS افزایش می دهد. در طول دوره، شما درک عمیقی از تکنیک های مختلف یادگیری ماشین، پیش پردازش داده ها، مهندسی ویژگی، آموزش مدل و ارزیابی کسب خواهید کرد. همچنین یاد خواهید گرفت که چگونه راه حل های یادگیری ماشین را با استفاده از سرویس های محبوب AWS مانند Amazon SageMaker، AWS Lambda، AWS Glue و غیره پیاده سازی کنید. در پایان دوره، شما به خوبی آماده خواهید شد تا با اطمینان آزمون تخصصی یادگیری ماشین گواهی شده AWS را پشت سر بگذارید و اصول یادگیری ماشینی را به طور موثر در سناریوهای دنیای واقعی اعمال کنید.
طبق AWS، وظایفی که توانایی داوطلب در آنها تأیید میشود در زیر آمده است:
· رویکرد ML مناسب را برای یک مشکل تجاری معین انتخاب و توجیه کنید
· خدمات AWS مناسب را برای پیاده سازی راه حل های ML شناسایی کنید
· راه حل های ML مقیاس پذیر، بهینه سازی شده، قابل اعتماد و ایمن را طراحی و اجرا کنید.
همچنین، از داوطلبان انتظار میرود مهارتهای زیر را داشته باشند:
· توانایی بیان شهود در پشت الگوریتم های پایه ML
· تجربه انجام بهینه سازی هایپرپارامتر اساسی
· تجربه با ML و چارچوب های یادگیری عمیق
· توانایی پیروی از بهترین شیوه های آموزش مدل
· توانایی پیروی از بهترین شیوه های استقرار
· توانایی پیروی از بهترین شیوه های عملیاتی
و آزمون گواهینامه طراحی و تقسیم شده است تا تخصص داوطلب را در 4 دامنه تأیید کند:
1. دامنه 1: مهندسی داده 20% وزن
2. دامنه 2: تجزیه و تحلیل داده های اکتشافی 24% وزن
3. دامنه 3: مدل سازی 36% وزن
4. دامنه 4: پیاده سازی و عملیات یادگیری ماشین 20%
در سفر یادگیری گواهینامه خود در این دوره، ما از همین الگو پیروی میکنیم و موضوعات را به صورت متوالی و منطقی پوشش میدهیم تا بهعنوان یک متخصص، بتوانید در آزمون گواهینامه برتر باشید.
دامنه 1: مهندسی داده
· مخازن داده برای یادگیری ماشین ایجاد کنید. ·
o شناسایی منابع داده (به عنوان مثال، محتوا و مکان، منابع اولیه مانند داده های کاربر)
o تعیین رسانه های ذخیره سازی (مانند DB، Data Lake، S3، EFS، EBS)
· یک راه حل انتقال داده را شناسایی و اجرا کنید.
o سبکها/انواع کار داده (بار دستهای، پخش جریانی)
o خطوط لوله انتقال داده (بارهای کاری ML مبتنی بر دسته و بارهای کاری ML مبتنی بر جریان)
§ حرکت حرکتی
§ تجزیه و تحلیل Kinesis
§ Kinesis Firehose
§ EMR
§ چسب
o زمانبندی شغل
· یک راه حل تبدیل داده را شناسایی و اجرا کنید.
درحال انتقال داده (ETL: Glue، EMR، AWS Batch)
o مدیریت دادههای خاص ML با استفاده از کاهش نقشه (Hadoop، Spark، Hive)
دامنه 2: تجزیه و تحلیل داده های اکتشافی
· پاکسازی و آماده سازی داده ها برای مدل سازی.
o داده های از دست رفته، داده های فاسد، کلمات توقف و غیره را شناسایی و مدیریت کنید.
o قالببندی، عادیسازی، تقویت و مقیاسبندی دادهها
o دادههای برچسبگذاریشده (تشخیص اینکه چه زمانی دادههای برچسبدار کافی دارید و شناسایی استراتژیهای کاهش [ابزارهای برچسبگذاری دادهها (مکانیکال ترک، کار دستی)])
· مهندسی ویژگی را انجام دهید.
o شناسایی و استخراج ویژگی ها از مجموعه داده ها، از جمله از منابع داده مانند متن، گفتار، تصویر، مجموعه داده های عمومی و غیره.
o تجزیه و تحلیل/ارزیابی مفاهیم مهندسی ویژگی (binning، tokenization، outliers، ویژگی های مصنوعی، 1 رمزگذاری داغ، کاهش ابعاد داده ها) 2.3
· تجزیه و تحلیل و تجسم داده ها برای یادگیری ماشین.
o نمودار (نمودار پراکنده، سری زمانی، هیستوگرام، نمودار جعبه)
o تفسیر آمار توصیفی (همبستگی، آمار خلاصه، مقدار p)
o خوشه بندی (سلسله مراتبی، تشخیصی، طرح آرنج، اندازه خوشه)
دامنه 3 : مدل سازی
· مشکلات کسب و کار را به عنوان مشکلات یادگیری ماشین در نظر بگیرید.
o تعیین کنید چه زمانی از ML استفاده شود/چه زمانی استفاده نشود
o تفاوت بین یادگیری تحت نظارت و بدون نظارت را بدانید
o انتخاب از بین طبقه بندی، رگرسیون، پیش بینی، خوشه بندی، توصیه و غیره.
· مدل(های) مناسب را برای یک مشکل یادگیری ماشین مشخص انتخاب کنید.
o Xgboost، رگرسیون لجستیک، K-means، رگرسیون خطی، درخت تصمیم، جنگلهای تصادفی، RNN، CNN، Ensemble، آموزش انتقال
o بیان شهود در پشت مدل ها
· آموزش مدل های یادگیری ماشین.
o تقسیم آزمون اعتبارسنجی قطار، اعتبارسنجی متقابل
o بهینه ساز، نزول گرادیان، توابع از دست دادن، حداقل های محلی، همگرایی، دسته ها، احتمال، و غیره.
o محاسبه انتخاب (GPU در مقابل CPU، توزیع شده در مقابل غیر توزیع، پلت فرم [Spark در مقابل غیر Spark])
o به روز رسانی و آموزش مجدد مدل
§ دسته ای در مقابل بلادرنگ/آنلاین
· بهینه سازی هایپرپارامتر را انجام دهید.
o منظم سازی
§ ترک تحصیل
§ L1/L2
o اعتبارسنجی متقابل
o مقداردهی اولیه مدل
معماری شبکه عصبی (لایه ها/گره ها)، نرخ یادگیری، توابع فعال سازی
o مدلهای مبتنی بر درخت (# درخت، # سطح)
o مدل های خطی (نرخ یادگیری)
· مدل های یادگیری ماشین را ارزیابی کنید.
o اجتناب از برازش بیش از حد/کم تناسب (تشخیص و مدیریت سوگیری و واریانس)
o معیارها (AUC-ROC، دقت، دقت، فراخوان، RMSE، امتیاز F1)
o ماتریس سردرگمی
o ارزیابی مدل آفلاین و آنلاین، تست A/B
o مقایسه مدل ها با استفاده از معیارها (زمان آموزش یک مدل، کیفیت مدل، هزینه های مهندسی)
o اعتبارسنجی متقابل
دامنه 4: پیاده سازی و عملیات یادگیری ماشین
· راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا بسازید.
o ثبت و نظارت بر محیط AWS
§ CloudTrail و CloudWatch
§ نظارت بر خطای ساخت
o چندین منطقه، چند منطقه AZ
o AMI/تصویر طلایی
o ظروف Docker
o گروههای مقیاس خودکار
o حقوق دهی
§ موارد
§ IOPS ارائه شده
§ جلدها
o تعادل بار
بهترین شیوه های AWS
· خدمات و ویژگی های یادگیری ماشین مناسب را برای یک مشکل معین توصیه و پیاده سازی کنید.
o ML در AWS (خدمات برنامه)
§ Poly o Lex o رونویسی
o محدودیت های سرویس AWS
o مدل خود را در مقابل الگوریتم های داخلی SageMaker بسازید
o زیرساخت: (نقطه، انواع نمونه)، ملاحظات هزینه
§ استفاده از نمونههای نقطهای برای آموزش مدلهای یادگیری عمیق با استفاده از AWS Batch
· شیوههای امنیتی اولیه AWS را در راهحلهای یادگیری ماشین اعمال کنید.
o IAM
خط مشی های سطل S3
o گروه های امنیتی
o VPC
o رمزگذاری/ناشناس سازی
· راه حل های یادگیری ماشین را مستقر و عملیاتی کنید.
o افشای نقاط پایانی و تعامل با آنها
نسخهسازی مدل ML
آزمایش A/B
o بازآموزی خطوط لوله
o اشکالزدایی/عیبیابی ML
§ تشخیص و کاهش افت عملکرد o نظارت بر عملکرد حالت
ابزارها، فنآوریها و مفاهیمی که به عنوان بخشی از این آزمون تحت پوشش قرار میگیرند در زیر آمده است:
· بلع/مجموعه
· پردازش/ETL
· تجزیه و تحلیل/تجسم داده
· آموزش مدل
· استقرار/استنتاج مدل
· عملیاتی
· خدمات برنامه AWS ML
· زبان مربوط به ML (Python)
· نوت بوک ها و محیط های توسعه یکپارچه (IDE)
خدمات و ویژگیهای AWS Analytics:
· آمازون آتنا
· آمازون EMR
· Amazon Kinesis Data Analytics
· Amazon Kinesis Data Firehose
· Amazon Kinesis Data Streams
· Amazon QuickSight
محاسبه:
· دسته AWS
· Amazon EC2
ظروف:
· ثبت ظروف الاستیک آمازون (Amazon ECR)
· سرویس کانتینر الاستیک آمازون (Amazon ECS)
· Amazon Elastic Kubernetes Service (Amazon EKS)
پایگاه داده:
· چسب AWS
· Amazon Redshift
اینترنت اشیا (IoT):
· نسخه AWS IoT Greengrass
یادگیری ماشینی:
· Amazon Comprehend
· AMI های یادگیری عمیق AWS (DLAMI)
· AWS DeepLens
· پیش بینی آمازون
· ردیاب تقلب آمازون
· آمازون لکس
· آمازون پولی
· شناسایی آمازون
· Amazon SageMaker
· متن آمازون
· رونویسی آمازون
· ترجمه آمازون
مدیریت و حکمرانی:
· AWS CloudTrail
· Amazon CloudWatch
شبکه و تحویل محتوا:
· امنیت، هویت و انطباق Amazon VPC:
· مدیریت هویت و دسترسی AWS (IAM)
بدون سرور:
· AWS Fargate
· AWS Lambda
فضای ذخیره سازی:
· سیستم فایل الاستیک آمازون (Amazon EFS)
· Amazon FSx
· Amazon S3
"بینشهای مبتنی بر هوش مصنوعی در AWS! در تخصص یادگیری ماشین گواهینامه بگیرید و پتانسیل نامحدود را در سال 2023 باز کنید."
آینده را بیاموزید - علم داده، یادگیری ماشین و هوش مصنوعی
نمایش نظرات