Automating Machine Learning on AWS
Il corso fornisce una guida completa su come creare e gestire una pipeline di Machine Learning (ML) su Amazon Web Services (AWS). Gli studenti acquisiranno competenze pratiche attraverso una serie di moduli che coprono l’introduzione a ML e ML Pipeline, l’uso di Amazon SageMaker, la formulazione del problema, il pre-processing dei dati, l’addestramento del modello, la valutazione del modello, l’ingegneria delle feature e il tuning del modello, nonché il deployment del modello. Il corso si concluderà con una sessione di wrap-up per rivedere i concetti chiave affrontati durante il corso.
CODE: DSAI208
Category: Corso Intelligenza Artificiale
Metodologia didattica
Il corso prevede laboratori didattici in cui ogni studente potrà svolgere esercizi di formazione che forniranno esperienza pratica nell’uso dello strumento, per ognuno degli argomenti trattati durante il corso.
Prerequisiti
- Conoscenza di base di AWS
- Conoscenza base di Python
Di seguito è riportata una panoramica dei contenuti del corso:
Introduzione a ML e ML Pipeline: Questo modulo fornisce una panoramica dei concetti fondamentali del machine learning (ML) e introduce agli studenti il concetto di pipeline di machine learning, illustrando i passaggi tipici coinvolti nello sviluppo e nell’implementazione di modelli di machine learning.
Introduzione ad Amazon SageMaker: Gli studenti acquisiranno familiarità con Amazon SageMaker, un servizio completamente gestito che semplifica il processo di sviluppo, addestramento e distribuzione di modelli di machine learning su AWS.
Formulazione del Problema: Questo modulo si concentra sulla formulazione e la comprensione del problema di machine learning, aiutando gli studenti a definire chiaramente gli obiettivi del progetto e le metriche di valutazione del modello.
Pre-processing dei dati: Gli studenti impareranno le tecniche e le migliori pratiche per il pre-processing dei dati, compreso il trattamento dei valori mancanti, la normalizzazione dei dati e l’encoding delle variabili categoriche.
Addestramento del Modello: Questo modulo illustra i vari algoritmi di machine learning disponibili e guida gli studenti attraverso il processo di addestramento di un modello utilizzando dati di addestramento etichettati.
Valutazione del Modello: Gli studenti impareranno a valutare le prestazioni di un modello di machine learning utilizzando diverse metriche di valutazione, come l’accuratezza, la precisione, il richiamo e l’F1-score.
Feature Engineering e Model Tuning: Questo modulo si concentra sull’ottimizzazione delle prestazioni del modello attraverso tecniche di feature engineering e model tuning, compreso l’ottimizzazione degli iperparametri.
Deployment del Modello: Gli studenti acquisiranno competenze pratiche nell’implementazione e nel deployment di modelli di machine learning utilizzando Amazon SageMaker, preparandoli per l’integrazione del modello in applicazioni in produzione.
Al termine del corso, i partecipanti saranno in grado di:
- Selezionare e giustificare l’approccio ML più corretto ad un problema
- Creare, addestrare, valutare, deployare e fare fine tuning di un modello ML su AWS
- Descrivere le best practices per creare e gestire una pipeline di Machine Learning su AWS
- Identificare i passaggi per applicare il Machine Learning a probelmi reali usando servizi e strumenti su AWS
Durata – 1 giorno
Erogazione – in aula, in loco, da remoto
Requisiti PC e SW:
- Connessione a Internet
- Browser web, Google Chrome
- Zoom
Lingua
- Istruttore: Italiano
- Laboratori: Inglese
- Slides: Inglese