奈米學位學習方案 – AWS 機器學習工程

Contents

課程簡介

滿足對機器學習工程師日益增長的需求，掌握可將你的職業生涯推向新高的工作技能

Udacity奈米學位介紹

預估完成時間：5 個月

你將學習到

你將掌握成為一名成功的 ML 工程師所需的技能。學習使用 Amazon SageMaker 在生產中建構和部署機器學習模型所需的資料科學和機器學習技能。

課程事先準備

熟悉 Python ，包含：

至少40小時的程式設計經驗
熟悉 dictionaries 和 lists 等資料結構
使用 NumPy 和 pandas 等 libraries 的經驗
了解函數、變量、迴圈和 classes
建議通過 Jupyter Notebooks 編寫 Python
建議有構建和呼叫 HTTP API 端點的經驗

機器學習演算法的基礎知識，包含：

對機器學習工作流的基本了解
對線性迴歸、邏輯迴歸、神經網路等機器學習演算法的基本理論了解
對模型訓練和測試過程的基本了解
ML 模型評估常用指標的基本知識，例如準確度、精度、召回率和均方誤差 (MSE，Mean Square Error)

According to Glassdoor, the national average salary for Machine Learning Engineer is US $131,001 per year in United States.

課程內容

機器學習簡介

在本課程中，你將通過 AWS SageMaker 開始學習機器學習高階概念。你將首先使用 SageMaker Studio 執行探索性資料分析。了解如何以及何時將機器學習的基本概念應用於現實世界的場景。創建機器學習工作流，從資料清理和特徵工程開始，到評估和超參數調整。最後，你將使用 XGBoost 和 AutoGluon 等高度複雜的模型構建新的 ML 工作流。

專案：Predict Bike Sharing Demand with AutoGluon

在這個專案中，學生將運用他們在機器學習入門課程中學到的知識和方法參加 Kaggle 比賽。使用 AutoGluon 框架，學生將首先訓練一個基線模型，然後通過特徵工程和超參數調整來改進他們的模型。最後，他們將提交優化模型以獲得公開的 Kaggle 排名，並就他們的發現撰寫報告以展示他們的工作。

開發你的第一個 ML 工作流

在本課程中，你將學習如何在 AWS 上創建通用機器學習工作流。你將從介紹機器學習工程的一般原則開始。從那裡，你將學習 SageMaker 的基礎知識來訓練、部署和評估模型。之後，你將學習如何使用 Lambda 和 Step Functions 等工具在 AWS 上創建機器學習工作流。最後，你將學習如何使用 Model Monitor 和 Feature Store 等服務監控機器學習工作流。有了這一切，你將擁有創建端到端機器學習管道所需的所有資訊。

專案：Build an ML Workflow on SageMaker

在這個專案中，學生將在 SageMaker、Lambda 和 Step Functions 上開發一個端到端的 ML 工作流。學生將展示他們使用 SageMaker Model Endpoints 和 Lambda 的模型部署功能，以及使用 SageMaker Model Monitor 和 Step Functions 的工作流監控功能。在專案結束時，學生將能夠演示在 SageMaker 上構建可擴展的 ML 工作流。

電腦視覺和 NLP 中的深度學習主題

在本課程中，你將學習如何使用 Amazon SageMaker 訓練、微調和部署深度學習模型。你將首先了解什麼是深度學習、它在哪裡使用以及深度學習工程師使用哪些工具。接下來我們將學習人工神經元和神經網路以及如何訓練它們。之後，我們將了解卷積神經網路和 BERT 等高級神經網路架構，以及如何針對特定任務對其進行微調。最後，你將了解 Amazon SageMaker，你將把所學的一切都應用到 SageMaker Studio 中。

專案 : Image Classification using AWS SageMaker

在此專案中，學生將使用 AWS Sagemaker 微調可以執行圖像分類的預訓練模型。學生必須使用 Sagemaker 分析、調試器、超參數調整和其他良好的 ML 工程實踐來完成這個專案。要完成這個專案，學生必須執行任務並使用典型 ML 工程師在其工作中使用的工具。

在 SageMaker 上運行機器學習專案

本課程涵蓋與在 SageMaker 上部署專業機器學習專案相關的高級主題。它還涵蓋了安全應用程式。你將學習如何在降低成本的同時最大化產出。你還將學習如何部署可以處理高流量的專案以及如何使用特別大的資料集。

專案：Operationalizing an AWS ML Project

在這個專案中，學生將從完成電腦視覺任務的機器學習專案開始。學生將在 AWS 上部署專案並添加幾個重要功能：成本最小化、安全性以及在單獨的伺服器上重新部署。該專案將使學生為成功部署工業應用中的專業專案做好準備。

CAPSTONE PROJECT：配送中心的庫存監控

配送中心經常使用機器人來移動物體，作為其運營的一部分。物件裝在箱中，每個箱可以包含多個物件。在這個專案中，學生必須建立一個模型來計算每個箱子中的物體數量。像這樣的系統可用於追蹤庫存並確保交付的貨物具有正確數量的物品。要建構這個專案，學生必須使用 AWS Sagemaker 和良好的機器學習工程實踐從資料庫中獲取數據，對其進行預處理，然後訓練機器學習模型。該專案將作為端到端機器學習工程技能的演示，這將為工作就緒的作品集重要成果。