AWS SageMaker 機器學習工程師 30 天訓練課程 + ChatGPT

從這個 30 天的課程，你將學習如何在 AWS 中建構、訓練、測試和部署機器學習模型，並學習 SageMaker 內建演算法、GridSearch、Bayesian 和隨機搜尋最佳化技術、Lambda、S3、EC2、IAM、CloudWatch、Pandas、Searborn、Matplotlib 等AWS服務及技術，以及如何使用 SageMaker JumpStart、Canvas、AutoPilot、DataWrangler、Lambda 和 S3 等工具建構 ML 專案。

從這 43 小時的課程，你會學到

在 AWS 中建構、訓練、測試和部署機器學習模型
學習 SageMaker 內建演算法，如線性學習器、XG-Boost、主成分分析（PCA）和K-Nearest Neighbors
使用 AWS SageMaker GroundTruth 定義並執行影象和文字標籤工作
使用 AWS SageMaker Data Wrangler 準備、清理和視覺化資料，無需編寫任何程式碼
使用 GridSearch、Bayesian 和隨機搜尋最佳化技術最佳化 ML 模型的超參數
掌握關鍵的 AWS 服務，如簡單儲存服務（S3）、彈性計算雲（EC2）、身份和訪問管理（IAM）和CloudWatch
瞭解使用 AWS Lambda、Step 函式和 SageMaker 管道的機器學習工作流程自動化
學習如何在 AWS 管理控制台中定義一個 Lambda 函式，瞭解 Lambda 函式的解剖，以及如何在Lambda 中配置測試事件
使用無程式碼的 AWS Canvas 訓練機器學習迴歸和分類器模型
瞭解如何利用 Amazon SageMaker Autopilot 和 SageMaker Canvas 來訓練多個模型而無需編寫任何程式碼
使用 Pandas、Searborn 和 Matplotlib 程式庫進行探索性資料分析和視覺化
瞭解迴歸模型的關鍵績效指標，如 RMSE、MSE、MAE、R2 和調整後的R2
瞭解分類模型的關鍵績效指標，如準確率、精確率、召回率、F1分數、ROC 和 AUC
使用 AWS SageMaker JumpStart 定義機器學習訓練任務
使用 Amazon SageMaker 部署一個端點，執行推理並生成預測結果
使用 Boto3 SDK 定義一個 Lambda 函式，並使用 Eventbridge（雲端觀察事件）測試Lambda函式
理解同步和非同步 Lambda 函式呼叫的區別
使用 AutoGluon 程式庫進行AI/ML 模型的原型設計
如何監控計費儀表盤、設定警報、S3/EC2 實體定價和請求增加服務限額
理解人工智慧（AI）、機器學習（ML）、資料科學（DS）和深度學習（DL）之間的區別
瞭解 Amazon SageMaker 的基本原理、SageMaker 元件、培訓選項（包括內建演算法）、AWS Marketplace 和客製化 ML 演算法
充分利用AWS市場上的 Yolo V3 物體檢測演算法
瞭解 Json 行和 Manifest 檔案的格式和用例
學習自動貼標工作流程，瞭解 SageMaker GroundTruth和GroundTruth Plus 之間的區別
瞭解如何用邊界框（物件檢測）、畫素級語義分割和文字資料來定義標籤工作
瞭解 AWS 中資料標籤工作隊伍的區別，如公共機械 Turks、私人標籤員和 AWS 策劃的第三方供應商
瞭解有監督、無監督和強化機器學習策略之間的區別
使用 Seaborn 和 Matplotlib 程式庫進行資料視覺化，圖譜包括線圖、餅圖、子圖、對圖、計數圖和相關熱圖
將資料整理器的工作流程匯出到 Python 指令碼中，建立一個自定義公式並將其應用於資料中的特定列，並生成彙總表/偏向報告
學習如何使用 AWS JumpStart 在 SageMaker 中訓練 XG-boost 演算法，評估訓練後的模型效能，繪製殘差，並部署一個端點。
瞭解偏差-變異權衡，L1 和 L2 正規化技術
訓練/測試幾個 ML 分類器，如邏輯迴歸、支援向量機、K-最近的鄰居、決策樹和隨機森林分類器
學習 SageMaker 內建演算法，例如 Linear Learner、XG-Boost、主成分分析 (Principal Component Analysis，PCA) 和 K-Nearest Neighbors ( K 最近鄰 )

要求

基本的 Python 程式設計知識
AWS 方面的基本知識
機器學習方面的基本知識

課程說明

你想在 30天內使用 SageMaker 成為一名 AWS 機器學習工程師嗎？

你想在 AWS 中建立超級強大的營運級機器學習（ML）應用程式，但不知道從哪裡開始？

你是一個絕對的初學者，想進入 AI、ML和雲端運算領域，並尋找一個包括所有你需要的課程嗎？

你是一個有抱負的企業家，希望透過 ML 實現業務收入最大化並降低成本，但不知道如何快速有效地達到目的？

身為程式設計師，你想利用 ChatGPT 來自動化您的程式設計任務嗎？

如果這些問題的答案都是肯定的，那麼這個課程就是為你準備的

機器學習是未來最重要的技術領域之一，現在就可以了 ML 和 AI 將以100年前電力的方式改變我們的生活。ML在金融、銀行、醫療保健、交通和技術領域被廣泛採用。該領域的機會和職業前景正在爆炸性成長。

AWS 是世界上使用最廣泛的雲端運算平台之一，一些公司依靠 AWS 來實現其雲端運算目的。AWS SageMaker 是由AWS提供的一項完全管理的服務，允許資料科學家和人工智慧從業者快速有效地訓練、測試和部署人工智慧/ML模型。

這門課程在很多方面都很獨特和特殊，它包括幾個實踐機會、測驗和最後的頂點專案。在本課程中，學生將學習如何使用 AWS 建立營運級 ML 模型。該課程分為以下8個主要部分。

第一節（第1-3天）：我們將學習以下內容。(1) 從AWS和機器學習精華 “入門套件 “開始，其中包括關鍵的AWS 服務，如簡單儲存服務（S3）、彈性運算雲（EC2）、身份和訪問管理（IAM）以及CloudWatch，(2) 雲端運算的好處，區域和可用區之間的區別，以及 AWS 免費等級包中包含的內容。(3) 如何在AWS中設定一個全新的賬戶，設定多因素認證（MFA），並瀏覽 AWS 管理控制台，(4) 如何監控計費儀表盤，設定警報，S3/EC2 例項定價和請求增加服務限額，(5) 機器學習的基礎知識，瞭解人工智慧（AI）的區別。機器學習（ML），資料科學（DS）和深度學習（DL）之間的區別，（6）學習監督、無監督和強化學習之間的區別，（7）列出建立任何機器學習模型的關鍵元件，包括資料、模型和計算，（8）學習亞馬遜SageMaker 的基礎知識，SageMaker元件。SageMaker提供的培訓選項，包括內建演算法、AWS Marketplace 和客製化的 ML 演算法，（9）涵蓋AWS SageMaker Studio，並學習AWS SageMaker JumpStart、SageMaker Autopilot和SageMaker Data Wrangler之間的區別，（10）學習如何使用Jupyter Notebooks在雲端中編寫我們的第一份程式碼。然後，我們將有一個涵蓋 AWS 市場物件檢測演算法的教程，如Yolo V3，（11）學習如何使用全新的 AWS SageMaker Canvas 訓練我們的第一個機器學習模型，而不需要寫任何程式碼

第二節（第4-5天）：我們將學習以下內容。(1)使用Amazon SageMaker GroundTruth 對影象和文字進行標註，(2)學習資料標註工作隊伍的區別，如公共機械圖爾克、私人標註者和 AWS 策劃的第三方供應商，(3)涵蓋幾個公司利用資料實現收入最大化、降低成本和最佳化流程的成功案例，(4)涵蓋資料來源、型別以及好資料和壞資料的區別。(5）學習 Json 行格式和 Manifest 檔案，（6）涵蓋在 SageMaker中定義影象分類標籤工作的詳細教程，（7）自動標籤工作流程，學習SageMaker GroundTruth和GroundTruth Plus的區別，（8）學習如何定義帶有邊界框的標籤工作（物件檢測和畫素級語義分割），（9）使用Amazon SageMaker GroundTruth標記文字資料。

第三節（第6-10天）：我們將學習。(1）如何進行探索性資料分析（EDA），（2）掌握Pandas，一個超級強大的開源程式庫，在 Python 中進行資料分析，（3）在 AWS SageMaker Studio 的 Jupyter 筆記本中使用 Pandas 分析企業員工資訊，（4）定義 Pandas Dataframe，使用 Pandas 讀取 CSV 資料，對資料進行基本統計分析，設定/重置 Pandas DataFrame 索引，從 DataFrame 選擇特定列，從DataFrame新增/刪除列。執行基於標籤/整數的元素選擇，執行廣播操作，執行 Pandas DataFrame 排序/排序，（5）對真實世界的資料集進行統計資料分析，使用 pandas 處理缺失資料，改變 pandas DataFrame 資料型別，定義一個函式，並將其應用於 Pandas DataFrame 列，執行 Pandas 操作，和過濾，計算和顯示相關矩陣，使用seaborn 程式庫顯示熱圖。(6) 在AWS SageMaker Studio中使用 Matplotlib 和 Seaborn 程式庫分析比特幣（BTC）、以太坊（ETH）、萊特幣（LTC）、Cardano（ADA）和瑞波幣（XRP）的加密貨幣價格和每日回報。(7) 使用 Seaborn 和 Matplotlib t程式庫進行資料視覺化，圖譜包括線圖、餅圖、多個子圖、對圖、計數圖、關聯熱圖、分佈圖（distplot）、柱狀圖和散點圖。(8)使用 AWS 中的 Amazon SageMaker Data wrangler 來準備、清理和視覺化資料，(9)瞭解特徵工程策略和工具，瞭解AWS中Data Wrangler的基本原理，執行一次熱編碼和規範化，執行資料視覺化使用Data Wrangler，將資料Wrangler工作流匯出到Python指令碼中，建立自定義公式並應用於資料中的特定列，在Data Wrangler中生成彙總表表格，並生成偏向報告。

第四節（第11-18天）：我們將學習。(1) 機器學習迴歸基礎知識，包括簡單/多重線性迴歸和最小二乘法，(2) 在 Scikit-Learn 中建立我們的第一個簡單線性迴歸模型，(3) 列出 SageMaker 中所有可用的內建演算法，(4) 建立、訓練。(4) 使用 SageMaker Linear Learner 演算法建立、訓練、測試和部署機器學習迴歸模型，(5) 列出機器學習迴歸演算法的關鍵績效指標，如平均絕對誤差（MAE）、平均平方誤差（MSE）、平均平方根誤差（RMSE）、平均百分比誤差（MPE）。決定係數（R2）和調整後的R2，（6）使用 AWS 管理控制台啟動訓練工作，並在不編寫任何程式碼的情況下部署一個端點，（7）涵蓋 XG-Boost 演算法背後的理論和直覺，以及如何使用它來解決 Scikit-Learn 中的迴歸型別問題，並使用 SageMaker 內建演算法。(8) 學習如何使用 AWS JumpStart 在 SageMaker 中訓練 XG-boost 演算法，評估訓練後的迴歸模型效能，繪製殘差，並部署一個端點和執行推理。

第五節（第19-20天）：我們將學習。(1) 超參數最佳化策略，如網格搜尋、隨機搜尋和貝葉斯最佳化，(2) 瞭解偏差方差權衡以及L1和L2正則化，(3) 使用 Scikit-Learn 程式庫和使用 SageMaker SDK 執行超參數最佳化。

第六節（第21-24天）：我們將學習。(1）如何訓練幾種分類演算法，如邏輯迴歸、支援向量機、K-近鄰和隨機森林分類器，（2）列出各種分類器模型KPI的區別，如準確率、精確度、召回率、F1分數。(3)在SageMaker中訓練XG-boost和Linear Learner演算法來解決分類型別的問題，(4)在 SageMaker 中學習K Nearest Neighbors（KNN）背後的理論和直覺，並學習如何在 SageMaker 中建立、訓練和測試一個KNN分類器模型。

第七節（第25-28天）：我們將學習。(1)如何使用 AutoGluon 程式庫來進行AI/ML模型的原型設計，只需幾行程式碼；(2)利用 AutoGluon 來訓練多個迴歸和分類模型，並部署最好的模型；(3)利用Amazon SageMaker Autopilot和SageMaker Canvas來訓練多個模型，無需編寫任何程式碼

第8節（第29-30天）：我們將學習。(1）如何在 AWS 中定義和呼叫 lambda 函式，（2）瞭解使用AWS Lambda、Step函式和 SageMaker 管道的機器學習工作流自動化，（3）學習如何在AWS管理控制台中定義lambda函式，（4）瞭解Lambda函式的解剖，（5）學習如何在 Lambda 中配置一個測試事件。並在CloudWatch 中監控 Lambda 的呼叫，（6）使用 Boto3 SDK 定義 Lambda 函式，（7）使用 Eventbridge（cloudwatch事件）測試 Lambda 函式，（8）瞭解同步和非同步呼叫的區別，並使用 Boto3 SDK呼叫Lambda 函式。

目標受眾

想進入 AWS 機器學習領域的初級開發者
初學者資料科學家希望推動他們的職業生涯並建立他們的作品組合
希望透過利用 AWS 的 AI/ML 來改變企業的資深顧問
對資料科學和人工智慧充滿熱情並希望獲得使用 AWS 實際經驗的技術愛好者

講師簡介

Prof. Ryan Ahmed | 450K+ 學生| 最暢銷教授 | 250K+ YouTube 人工智慧、LLM、Agentic AI、雲端運算、資料科學和 CoPilot 課程

大家好，歡迎！

我是 Ryan Ahmed 博士。我是教授、教育家，也是 Stemplicity School 的創辦人。在 Stemplicity School，我們致力於讓人工智慧和資料科學變得簡單易懂、實用、方便，人人都能輕鬆掌握。我熱衷於創造引人入勝、注重實踐的學習體驗，幫助人們在這個瞬息萬變的世界中蓬勃發展。

如果您剛踏入科技領域，或希望提升您在 AI、資料科學或雲端運算方面的技能，我的目標是讓這些複雜的主題變得平易近人、貼近生活、易於應用。在過去的十年裡，我已為來自160個國家的超過45萬名學員授課，並在我的YouTube頻道「Prof. Ryan Ahmed」上建立了一個擁有超過25萬訂閱者的全球社群。我在那裡分享教程和工具，幫助人們發展職業生涯。

我也曾為匯豐銀行、加拿大皇家銀行、Discover銀行和巴克萊銀行等公司在美國、加拿大和英國進行人工智慧企業培訓。在職業生涯早期，我曾在通用汽車、三星和Stellantis擔任領導職務，致力於電動車和自動駕駛汽車技術的研究。

我擁有麥克馬斯特大學的碩士、博士和工商管理碩士學位。此外，我也是註冊專業工程師和史丹佛大學認證的專案經理，在人工智慧和電池系統領域發表過50餘篇研究論文。但拋開這些頭銜，對我而言最重要的是看到他人取得成功。

如果您充滿好奇心、積極進取，並且渴望學習，我願助您邁出下一步。