یادگیری ماشین با SageMaker توسط پیرسون

مدرس Pearson

انتشار 2026/02/25

مدت زمان 8h 52m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Machine Learning with SageMaker by Pearson

در این دوره، نیک گارنر متخصص به شما می آموزد که چگونه راه حل های یادگیری ماشینی مقیاس پذیر و مبتنی بر ابر (ML) را در AWS طراحی و استقرار دهید. درباره آماده سازی داده ها، اتوماسیون و مدیریت راه حل بیاموزید. نحوه جذب، تبدیل و پاکسازی داده ها را با استفاده از SageMaker Pipelines کاوش کنید. نحوه دستیابی به اتوماسیون را با ایجاد و استقرار جریان های کاری ML سرتاسر کشف کنید. نحوه نظارت، ایمن سازی و بهینه سازی سیستم های ML مبتنی بر AWS را بیابید. این دوره آموزش عملی AWS را ارائه می‌دهد که برای توسعه‌دهندگان نرم‌افزار، دانشمندان داده، مهندسان ML و متخصصان DevOps ایده‌آل است، تئوری را با پروژه‌های عملی ترکیب می‌کند تا به شما در طراحی معماری‌های ML آماده برای تولید، خودکارسازی خطوط لوله CI/CD برای استقرار کارآمد، و اجرای بهترین شیوه‌های امنیتی برای سیستم‌های مبتنی بر ابر کمک کند. توجه: این دوره توسط پیرسون و نیک گارنر ارائه شده است. ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

Artificial Intelligence (AI) AWS SageMaker Machine Learning

Introduction

Machine learning with SageMaker: Introduction ()

1. Data Ingestion and Storage Basics

Module introduction ()

Course overview ()

Overview of common data formats ()

Ingesting data with Amazon S3 and SageMaker Data Wrangler ()

Data ingestion demonstration ()

Data storage optimization and transfer in AWS ()

2. Data Transformation and Feature Engineering with SageMaker

Learning objectives ()

Data cleaning and preprocessing with SageMaker Data Wrangler ()

Data preprocessing demonstration ()

Feature scaling and encoding techniques ()

Handling missing values and outliers ()

3. Preparing Data for Modeling

Learning objectives ()

Validating data quality with AWS tools ()

Configuring data for SageMaker training jobs ()

Managing SageMaker Feature Store ()

SageMaker Feature Store demonstration ()

4. Choosing and Training Models in SageMaker

Module introduction ()

Overview of SageMaker built-in algorithms and JumpStart models ()

SageMaker algorithms demonstration ()

Setting up and running SageMaker training jobs ()

SageMaker training demonstration ()

Hyperparameter tuning with SageMaker automatic model tuning ()

Hyperparameter tuning demonstration ()

Preventing overfitting and underfitting ()

Model over/underfitting demonstration ()

5. Model Evaluation and Bias Detection

Learning objectives ()

Model evaluation metrics: Accuracy, precision, and recall ()

Using SageMaker Clarify for bias detection and interpretability ()

Comparing model performance using A/B testing ()

Model A/B testing demonstration ()

Managing model versions with SageMaker Model Registry ()

Model registry demonstration ()

6. Deploying Models with SageMaker

Module introduction ()

Learning objectives ()

Real-time inference with SageMaker endpoints ()

Real-time inference demonstration ()

Batch inference and asynchronous inference ()

Batch and asynchronous inference demonstration ()

Using SageMaker Neo for edge deployment ()

SageMaker edge deployment demonstration ()

7. Automating ML Workflows with SageMaker Pipelines

Learning objectives ()

Building and automating ML pipelines in SageMaker ()

SageMaker pipeline demonstration ()

Integrating data processing and training steps ()

Training and data processing in SageMaker pipelines demonstration ()

Triggering pipelines with EventBridge for retraining ()

Triggering SageMaker pipelines via EventBridge demonstration ()

8. Monitoring and Optimizing ML Solutions

Module introduction ()

Learning objectives ()

Using SageMaker Model Monitor for data drift and quality ()

SageMaker Model Monitor demonstration ()

Setting up alerts and CloudWatch dashboards ()

Cost optimization with auto-scaling and SageMaker Savings Plans ()

SageMaker auto scaling demonstration ()

9. Securing ML Models and Data in SageMaker

Learning objectives ()

IAM roles and permissions for SageMaker ()

IAM demonstration ()

VPC configurations for secure endpoint deployment ()

VPC demonstration ()

Summary

Machine learning with SageMaker summary ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.