Machine Learning com Amazon AWS e SageMaker
What you’ll learn
Entender a finalidade dos principais serviços da Amazon, como: AWS, S3, EC2, IAM e SageMaker
Codificar em Python utilizando o SageMaker Studio, que é a principal IDE para programar em Python no AWS
Integrar o SageMaker com o serviço de armazenamento de dados S3
Implementar soluções de aprendizado de máquina utilizando os algoritmos disponíveis no Amazon AWS
Resolver problemas de regressão e classificação utilizando o Linear Leaner e o XGBoost
Prever séries temporais utilizando o algoritmo DeepAR da área de Deep Learning
Detectar outliers com o algoritmo Random Cut Forest
Reduzir a dimensionalidade de bases de dados com PCA (Principal Component Analysis)
Classificar imagens com redes neurais convolucionais, utilizando o algoritmo pré-definido no AWS
Integrar a biblioteca TensorFlow com o AWS
Realizar o deploy de modelos de aprendizagem (endpoint) de máquina para acesso externo
Utilizar a ferramenta autopilot de aprendizagem de máquina automática para realizar o processo completo na área de dados
Requirements
Lógica de programação
Programação básica em Python
Conhecimentos básicos sobre aprendizagem de máquina são desejáveis, porém, não obrigatórios
Description
A Amazon Web Services (AWS) é uma das plataformas de nuvem mais utilizadas do mundo, que oferece uma gama muito grande de serviços que podem ser utilizados pelas empresas. Estão disponíveis serviços nas áreas de computação, armazenamento, banco de dados, redes de computadores, blockchaim, robótica, satélite, dentre vários outros. Tais serviços podem ser utilizados nas mais diversas áreas de atuação, como por exemplo: publicidade, marketing, agricultura, setor automobilístico, educação, energia, governo, serviços financeiros, saúde, turismo e varejo. Dentro desse universo, também podem-se citar os serviços na área de Machine Learning (Aprendizagem de Máquina) e Inteligência Artificial, sendo possível utilizar algoritmos pré-definidos juntamente com armazenamento na nuvem para cumprir todas as etapas do processo, desde a obtenção dos dados até criação do modelo final em produção.A Amazon disponibiliza o SageMaker, que é um serviço que permite aos cientistas e engenheiros de dados construir, treinar e implantar modelos de ML para qualquer tipo de aplicação. Para levar você até essa área, neste curso você terá uma visão principalmente prática sobre como utilizar os recursos do Amazon SageMaker para treinar modelos de machine learning! Ao final você terá todas as ferramentas necessárias para construir soluções de aprendizado de máquina utilizando os recursos oferecidos pela Amazon! O curso está dividido em dez partes que abordam recursos e algoritmos diferentes. Veja abaixo alguns dos tópicos que serão implementados passo a passo:Entender a finalidade dos principais serviços da Amazon, como: AWS, S3, EC2, IAM e SageMakerCodificar em Python utilizando o SageMaker Studio, que é a principal IDE para programar em Python no AWSIntegrar o SageMaker com o serviço de armazenamento de dados S3Implementar soluções de aprendizado de máquina utilizando os algoritmos disponíveis no Amazon AWSResolver problemas de regressão e classificação utilizando o Linear Leaner e o XGBoostPrever séries temporais utilizando o algoritmo DeepAR da área de Deep LearningDetectar outliers com o algoritmo Random Cut ForestReduzir a dimensionalidade de bases de dados com PCA (Principal Component Analysis)Classificar imagens com redes neurais convolucionais, utilizando o algoritmo pré-definido no AWSIntegrar a biblioteca TensorFlow com o AWSRealizar o deploy de modelos de aprendizagem (endpoint) de máquina para acesso externoUtilizar a ferramenta autopilot de aprendizagem de máquina automática para realizar o processo completo na área de dadosTodos os códigos serão implementados passo a passo e com detalhes, inclusive com exercícios práticos ao final de cada seção. São mais de 120 aulas e mais de 16 horas de vídeos passo a passo!
Overview
Section 1: Introdução
Lecture 1 Conteúdo do curso
Lecture 2 Mais sobre Machine Learning
Lecture 3 Recursos para download
Section 2: Introdução ao AWS
Lecture 4 AWS, S3, EC2, IAM e SageMaker
Lecture 5 Criação de conta na AWS
Lecture 6 Amazon S3 – introdução
Lecture 7 SageMaker – introdução
Lecture 8 SageMaker – integração com S3 1
Lecture 9 SageMaker – integração com S3 2
Lecture 10 AULA MAIS IMPORTANTE! Cobranças por uso do SageMaker
Lecture 11 Atualização sobre valores cobrados pela Amazon
Section 3: Regressão com Linear Learner e XGBoost
Lecture 12 Introdução
Lecture 13 ATENÇÃO! Evite cobranças no seu cartão!
Lecture 14 Carregamento da base de dados
Lecture 15 Visualização dos dados
Lecture 16 Pré-processamento dos dados
Lecture 17 Configurações do SageMaker
Lecture 18 Regressão linear – intuição
Lecture 19 Treinamento do Linear Learner
Lecture 20 Deploy, previsões e avaliação
Lecture 21 XGBoost – intuição
Lecture 22 Preparação dos dados
Lecture 23 Configurações do SageMaker
Lecture 24 Treinamento do XGBoost
Lecture 25 Deploy, previsões e avaliação
Lecture 26 Tuning dos parâmetros 1
Lecture 27 Tuning dos parâmetros 2
Lecture 28 Tuning dos parâmetros 3
Lecture 29 EXERCÍCIO
Lecture 30 Solução para o exercício
Section 4: Classificação com Linear Learner e XGBoost
Lecture 31 Introdução
Lecture 32 ATENÇÃO! Evite cobranças no seu cartão!
Lecture 33 Carregamento e exploração dos dados
Lecture 34 Pré-processamento dos dados
Lecture 35 Configurações do SageMaker
Lecture 36 Regressão logística – intuição
Lecture 37 Treinamento do Linear Learner
Lecture 38 Deploy, previsões e avaliação
Lecture 39 EXERCÍCIO – XGBoost
Lecture 40 Solução para o exercício
Section 5: Séries temporais com DeepAR
Lecture 41 Introdução
Lecture 42 ATENÇÃO! Evite cobranças no seu cartão!
Lecture 43 Preparação dos dados 1
Lecture 44 Preparação dos dados 2
Lecture 45 Preparação dos dados 3
Lecture 46 Configurações do SageMaker
Lecture 47 Treinamento do DeepAR
Lecture 48 Deploy e previsões
Lecture 49 EXERCÍCIO
Lecture 50 Solução para o exercício
Section 6: Outliers com Random Cut Forest
Lecture 51 Introdução
Lecture 52 ATENÇÃO! Evite cobranças no seu cartão!
Lecture 53 Tratamento da base de dados
Lecture 54 Configurações do SageMaker
Lecture 55 Treinamento do Random Cut Forest
Lecture 56 Deploy e inferência 1
Lecture 57 Deploy e inferência 2
Lecture 58 EXERCÍCIO
Lecture 59 Solução para o exercício
Section 7: PCA e agrupamento K-means
Lecture 60 Introdução
Lecture 61 ATENÇÃO! Evite cobranças no seu cartão!
Lecture 62 Tratamento da base de dados
Lecture 63 Configurações do SageMaker
Lecture 64 Treinamento do PCA
Lecture 65 Redução de dimensionalidade
Lecture 66 K-means – intuição
Lecture 67 Treinamento do k-means
Lecture 68 Agrupamento com k-means
Lecture 69 EXERCÍCIO – PCA e classificação
Lecture 70 Solução para o exercício
Section 8: Redes neurais artificiais – classificação de imagens
Lecture 71 Introdução
Lecture 72 ATENÇÃO! Evite cobranças no seu cartão!
Lecture 73 Aumento do limite de execução
Lecture 74 Base de dados Caltech 256
Lecture 75 Treinamento da rede neural
Lecture 76 Deploy e previsões
Lecture 77 Base de dados MNIST
Lecture 78 Treinamento da rede neural
Lecture 79 EXERCÍCIO – deploy e previsões
Lecture 80 Solução para o exercício
Section 9: SageMaker com TensorFlow
Lecture 81 Introdução
Lecture 82 ATENÇÃO! Evite cobranças no seu cartão
Lecture 83 Base de dados MNIST
Lecture 84 Pré-processamento das imagens
Lecture 85 Construção e treinamento da rede neural
Lecture 86 Avaliação e previsões
Lecture 87 Script TensorFlow 1
Lecture 88 Script TensorFlow 2
Lecture 89 TensorFlow + SageMaker 1
Lecture 90 TensorFlow + SageMaker 2
Lecture 91 EXERCÍCIO
Lecture 92 Solução para o exercício
Section 10: Endpoint externo
Lecture 93 Introdução
Lecture 94 ATENÇÃO! Evite cobranças no seu cartão
Lecture 95 Criação de novo usuário
Lecture 96 SageMaker SDK
Lecture 97 Boto3 SDK
Lecture 98 EXERCÍCIO
Lecture 99 Solução para o exercício
Section 11: Aupilot – aprendizagem automática
Lecture 100 Introdução
Lecture 101 ATENÇÃO! Evite cobranças no seu cartão!
Lecture 102 Carregamento dos dados
Lecture 103 Execução do experimento
Lecture 104 Análise dos resultados
Lecture 105 EXERCÍCIO
Lecture 106 Solução para o exercício
Section 12: Anexo 1: Redes neurais artificiais
Lecture 107 Fundamentos biológicos
Lecture 108 Perceptron de uma camada
Lecture 109 Redes multicamada – função soma e avaliação
Lecture 110 Redes multicamada – cálculo do erro
Lecture 111 Descida do gradiente
Lecture 112 Cálculo do parâmetro delta
Lecture 113 Ajuste dos pesos com backpropagation
Lecture 114 Bias, erro, descida do gradiente estocástica e mais parâmetros
Section 13: Anexo 2: Redes neurais convolucionais
Lecture 115 Introdução a redes neurais convolucionais 1
Lecture 116 Introdução a redes neurais convolucionais 2
Lecture 117 Etapa 1 – operador de convolução (introdução)
Lecture 118 Etapa 1 – operador de convolução (cálculos)
Lecture 119 Etapa 2 – pooling
Lecture 120 Etapa 3 – flattening
Lecture 121 Etapa 4 – rede neural densa
Section 14: Anexo 3: Redes neurais recorrentes
Lecture 122 Introdução a redes neurais recorrentes
Lecture 123 Gradiente desaparecendo – gradient vanish problem
Lecture 124 LSTM – long-short term memory
Section 15: Considerações finais
Lecture 125 Informações sobre a certificação AWS
Lecture 126 Considerações finais
Lecture 127 AULA BÔNUS
Praticantes de ciência de dados que desejam avançar em suas carreiras e construir seu portfólio,Qualquer pessoa interessada em inteligência artificial, ciência de dados, machine learning ou deep learning,Estudantes de graduação e pós-graduação que estejam cursando disciplinas sobre este assunto,Pessoas que queiram aprender a usar os recursos de machine learning da Amazon,Pessoas interessadas em estudar o AWS para futuramente estudarem para a certificação
Course Information:
Udemy | Português | 16h 12m | 5.93 GB
Created by: Jones Granatyr
You Can See More Courses in the Developer >> Greetings from CourseDown.com