آموزش مهندس AWS دارای گواهینامه یادگیری ماشین - همکار (MLA-C01): آماده سازی داده برای یادگیری ماشین (ML)

سرفصل ها و درس ها

جمع آوری داده ها برای بارهای کاری یادگیری ماشین Data Collection for Machine Learning Workloads

• چرخه حیات داده های یادگیری ماشینی The Machine Learning Data Lifecycle

• داده ها برای بارهای کاری یادگیری ماشین Data for Machine Learning Workloads

• خدمات ذخیره سازی داده در AWS Data Storage Services on AWS

• نگاهی دقیق تر به آمازون S3 A Closer Look at Amazon S3

• مصرف داده: دسته ای در مقابل جریان Data Ingestion: Batch vs. Streaming

• انتقال داده ها به AWS Transferring Data to AWS

• استخراج داده ها در AWS Extracting Data on AWS

• نکات امتحانی Exam Tips

بلع داده ها و مرحله بندی Data Ingestion and Staging

• منابع اولیه برای داده های یادگیری ماشین در AWS The Primary Sources for Machine Learning Data on AWS

• درک مبادلات هزینه و عملکرد Understanding Cost and Performance Tradeoffs

• ادغام مجموعه داده ها از چندین منبع Merging Datasets from Multiple Sources

• انتقال داده های جریانی و مرحله بندی Streaming Data Ingestion and Staging

• مقیاس پذیر نگه داشتن داده ها Keeping Data Ingestion Scalable

• بلع داده ها برای پردازش قبل از آموزش Ingesting Data for Pre-training Processing

• نکات امتحانی Exam Tips

مفاهیم تبدیل داده برای یادگیری ماشینی Data Transformation Concepts for Machine Learning

• پاک کردن داده های کثیف Cleaning Dirty Data

• روش های پاکسازی داده ها Methods for Cleaning Data

• شناسایی و رسیدگی به موارد پرت Detecting and Addressing Outliers

• درک مهندسی ویژگی Understanding Feature Engineering

• ویژگی های مهندسی برای داده های عددی Engineering Features for Numerical Data

• ویژگی های مهندسی برای داده های متنی Engineering Features for Text-based Data

• نسخه ی نمایشی: مهندسی ویژگی با SageMaker Data Wrangler Demo: Feature Engineering with SageMaker Data Wrangler

• انتخاب مفیدترین ویژگی ها Selecting the Most Useful Features

• نکات امتحانی Exam Tips

خدمات AWS برای تبدیل داده ها و مهندسی ویژگی AWS Services for Data Transformation and Feature Engineering

• تبدیل داده ها در AWS Transforming Data on AWS

• تجسم و کاوش داده در AWS Data Visualization and Exploration on AWS

• انواع تجسم Types of Visualizations

• تبدیل خودکار داده ها Automating Data Transformation

• نسخه ی نمایشی: اجرای یک کار پروفایل در AWS Glue DataBrew Demo: Running a Profile Job in AWS Glue DataBrew

• تبدیل داده های جریانی در AWS Transforming Streaming Data on AWS

• ایجاد و ذخیره ویژگی ها Creating and Storing Features

• نسخه ی نمایشی: ذخیره ویژگی ها در یک گروه ویژگی Demo: Storing Features in a Feature Group

• برچسب گذاری داده ها و ذخیره سازی داده های برچسب دار Labeling Data and Storing Labeled Data

• نکات امتحانی Exam Tips

کیفیت و یکپارچگی داده ها Data Quality and Integrity

• رسیدگی به عدم تعادل داده ها Addressing Data Imbalances

• کاهش عدم تعادل طبقاتی Mitigating Class Imbalance

• ایمن سازی داده های حساس Securing Sensitive Data

• رمزگذاری در سرویس های داده Encryption Across Data Services

• نسخه ی نمایشی: امکان دسترسی لامبدا به داده های رمزگذاری شده Demo: Giving Lambda Access to Encrypted Data

• نکات امتحانی Exam Tips

نهایی کردن داده ها برای بارهای کاری یادگیری ماشین Finalizing Data for Machine Learning Workloads

• اعتبارسنجی کیفیت داده های شما Validating Your Data's Quality

• نسخه ی نمایشی: تنظیم قوانین کیفیت داده های چسب Demo: Setting up Glue Data Quality Rules

• تشخیص و رسیدگی به سوگیری در داده های آموزشی Detecting and Addressing Bias in Training Data

• آماده سازی داده های خود برای آموزش Preparing Your Data for Training

• بارگیری داده ها از منبع داده های آموزشی Loading Data from the Training Data Source

• نکات امتحانی Exam Tips

نکات آزمون آماده سازی داده ها Data Preparation Exam Tips

• بررسی دامنه آماده سازی داده ها Reviewing the Data Preparation Domain

• بررسی سوالات آماده سازی داده ها Data Preparation Question Review