Contents
本課程是對 SageMaker 的深入介紹，以及它為在分佈式環境中訓練和佈署機器學習模型提供的支持。
課程說明
SageMaker 是 AWS 上一個完全託管的機器學習（ML）平台，它使 ML 模型的原型設計、建構、培訓和託管非常簡單。
在本課程中，我們將在 AWS SageMaker 上使用 TensorFlow 和 Apache MXNet 進行深度學習，你將看到如何使用 SageMaker 容器( containers )上託管的內建演算法，如線性學習器( linear learner )和 PCA。你需要編寫的唯一程式碼是準備好數據。然後，你將看到在 SageMaker 上建構自訂模型的 3 種不同方式。
你將帶上自己的預訓練模型並將其託管在 SageMaker 的第一方容器上。然後，你將使用 Apache MXNet 建構模型，最後將自訂容器帶到 SageMaker 上進行培訓。
完成本課程後，你還將了解如何連接到其他 AWS 服務（如 S3 和 Redshift ）以訪問你的培訓數據，以分佈式方式運行培訓以及自動調整模型變量( variants )大小。
你的講師
Janani Ravi ，作為一名解決問題的人，Janani 擁有史丹佛大學的碩士學位，並在谷歌工作了 7 年多。她是 Google Docs 的原始工程師之一，擁有 4 項實時協作編輯框架專利。
講師的其他課程:
- 採用 Google Dataflow 架構無伺服器的大數據解決方案
- 採用 Google Cloud Functions 架構事件趨動無伺服器解決方案
- 採用 Google Bigtable 架構大數據解決方案
- 採用 BigQuery ML 在 SQL 建立機器學習模型
- 採用 Scikit-Image 建立影像處理應用
- 以 AWS 區塊鏈樣板 ( Blockchain Templates ) 開發 Hyperledger Fabric (提供分佈式帳本解決方案平台）
- 以 AWS 區塊鏈樣板 (Blockchain Templates )佈署以太坊( Ethereum )
- 採用 StatsModels 建立統計模型
- 以 Hyperledger 建立區塊鏈( Blockchains )
- 運用 Google Dataproc 架構大數據解決方案
- 用 Google 機器學習 APIs 設計與實施解決方案
- 用 Google BigQuery 架構資料倉儲解決方案
- 用 Google Cloud AutoML 設計與實施解決方案
- 用 PyTorch 建立深度學習模型
- 創建與管理 Google Cloud SQL 實例( Instances )
- 架構 Google Cloud Storage 組態( configurations )
- Caffe2 : 從此開始
- 採用 Apache MXNet 建立深度學習模型
本課程官方連結
本課程由 Pluralsight 提供
Pluralsight 採 訂閱制
你可能會有興趣
- Pluralsight 平台特色
- 建立團隊學習頻道幫助團隊成員共同成長的 Pluralsight Business Plan
- 歡迎加入 Soft & Share 特價資訊分享 : 追蹤各種課程、電子書與工具特價資訊
你必須登入才能發表留言。