Automating Machine Learning on AWS

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.