بهینه سازی مدل های ML و استقرار خطوط لوله انسانی در حلقه

در سومین دوره تخصصی تخصصی علم داده های عملی، یک سری تکنیک های بهبود عملکرد و کاهش هزینه را برای تنظیم خودکار دقت مدل، مقایسه عملکرد پیش بینی و تولید داده های آموزشی جدید با هوش انسانی خواهید آموخت. پس از تنظیم طبقه‌بندی‌کننده متن خود با استفاده از تنظیم Hyper-Parameter Amazon SageMaker (HPT)، دو نامزد مدل را در یک آزمون A/B قرار می‌دهید تا عملکرد پیش‌بینی بلادرنگ آنها را مقایسه کرده و به طور خودکار مدل برنده را با استفاده از میزبانی Amazon SageMaker مقیاس کنید. در نهایت، شما یک خط لوله انسان در حلقه راه‌اندازی می‌کنید تا پیش‌بینی‌های طبقه‌بندی‌شده اشتباه را اصلاح کنید و داده‌های آموزشی جدیدی را با استفاده از هوش مصنوعی آمازون و آمازون SageMaker Ground Truth تولید کنید. علم داده های عملی برای مدیریت مجموعه داده های عظیمی طراحی شده است که در سخت افزار محلی شما مناسب نیستند و می توانند از منابع متعدد نشات گرفته باشند. یکی از بزرگترین مزایای توسعه و اجرای پروژه‌های علم داده در فضای ابری، چابکی و انعطاف‌پذیری است که ابر برای افزایش و کاهش با حداقل هزینه ارائه می‌دهد. تخصص عملی علم داده به شما کمک می کند تا مهارت های عملی را برای به کارگیری مؤثر پروژه های علم داده خود و غلبه بر چالش ها در هر مرحله از گردش کار ML با استفاده از Amazon SageMaker توسعه دهید. این تخصص برای توسعه دهندگان، دانشمندان و تحلیلگران متمرکز بر داده طراحی شده است که با زبان های برنامه نویسی Python و SQL آشنا هستند و می خواهند یاد بگیرند که چگونه خطوط لوله ML مقیاس پذیر و سرتاسر مقیاس پذیر را بیاموزند - هم خودکار و هم انسانی. -the-loop - در ابر AWS.