Módulos e Conteúdo

Módulo 1: Analise conjuntos de dados e treine modelos de ML usando o AutoML No primeiro curso da Especialização Prática em Ciência de Dados, você aprenderá conceitos fundamentais para análise exploratória de dados (EDA), aprendizado de máquina automatizado (AutoML) e algoritmos de classificação de texto. Com o Amazon SageMaker Clarify e o Amazon SageMaker Data Wrangler, você analisará um conjunto de dados para viés estatístico, transformará o conjunto de dados em recursos legíveis por máquina e selecionará os recursos mais importantes para treinar um classificador de texto multiclasse. Em seguida, você executará machine learning automatizado (AutoML) para treinar, ajustar e implantar automaticamente o melhor algoritmo de classificação de texto para o conjunto de dados fornecido usando o Amazon SageMaker Autopilot. Em seguida, você trabalhará com o Amazon SageMaker BlazingText, uma implementação altamente otimizada e escalável do popular algoritmo FastText, para treinar um classificador de texto com muito pouco código. A ciência de dados prática é voltada para lidar com conjuntos de dados massivos que não cabem em seu hardware local e podem se originar de várias fontes. Um dos maiores benefícios de desenvolver e executar projetos de ciência de dados na nuvem é a agilidade e elasticidade que a nuvem oferece para escalar e expandir a um custo mínimo. A especialização Practical Data Science ajuda você a desenvolver as habilidades práticas para implantar com eficiência seus projetos de ciência de dados e superar os desafios em cada etapa do fluxo de trabalho de ML usando o Amazon SageMaker. Esta especialização foi projetada para desenvolvedores, cientistas e analistas com foco em dados familiarizados com as linguagens de programação Python e SQL e que desejam aprender como criar, treinar e implantar pipelines de ML ponta a ponta escaláveis, tanto automatizados quanto humanos. -the-loop - na nuvem AWS.

Módulo 2: Crie, treine e implante pipelines de ML usando BERT No segundo curso da especialização Practical Data Science, você aprenderá a automatizar uma tarefa de processamento de linguagem natural construindo um pipeline de aprendizado de máquina de ponta a ponta usando a implementação altamente otimizada do algoritmo BERT de última geração do Hugging Face. com os pipelines do Amazon SageMaker. Seu pipeline primeiro transformará o conjunto de dados em recursos legíveis por BERT e armazenará os recursos no Amazon SageMaker Feature Store. Em seguida, ajustará um modelo de classificação de texto para o conjunto de dados usando um modelo pré-treinado Hugging Face, que aprendeu a entender a linguagem humana de milhões de documentos da Wikipedia. Por fim, seu pipeline avaliará a precisão do modelo e implantará o modelo apenas se a precisão exceder um determinado limite. A ciência de dados prática é voltada para lidar com conjuntos de dados massivos que não cabem em seu hardware local e podem se originar de várias fontes. Um dos maiores benefícios de desenvolver e executar projetos de ciência de dados na nuvem é a agilidade e elasticidade que a nuvem oferece para escalar e expandir a um custo mínimo. A especialização Practical Data Science ajuda você a desenvolver as habilidades práticas para implantar com eficiência seus projetos de ciência de dados e superar os desafios em cada etapa do fluxo de trabalho de ML usando o Amazon SageMaker. Esta especialização foi projetada para desenvolvedores, cientistas e analistas com foco em dados familiarizados com as linguagens de programação Python e SQL e que desejam aprender como criar, treinar e implantar pipelines de ML ponta a ponta escaláveis, tanto automatizados quanto humanos. -the-loop - na nuvem AWS.

Módulo 3: Otimize modelos de ML e implante pipelines human-in-the-loop No terceiro curso da especialização Practical Data Science, você aprenderá uma série de técnicas de melhoria de desempenho e redução de custos para ajustar automaticamente a precisão do modelo, comparar o desempenho da previsão e gerar novos dados de treinamento com inteligência humana. Depois de ajustar seu classificador de texto usando o Amazon SageMaker Hyper-parameter Tuning (HPT), você implantará dois candidatos a modelo em um teste A/B para comparar seu desempenho de previsão em tempo real e dimensionar automaticamente o modelo vencedor usando o Amazon SageMaker Hosting. Por fim, você configurará um pipeline human-in-the-loop para corrigir previsões mal classificadas e gerar novos dados de treinamento usando o Amazon Augmented AI e o Amazon SageMaker Ground Truth. A ciência de dados prática é voltada para lidar com conjuntos de dados massivos que não cabem em seu hardware local e podem se originar de várias fontes. Um dos maiores benefícios de desenvolver e executar projetos de ciência de dados na nuvem é a agilidade e elasticidade que a nuvem oferece para escalar e expandir a um custo mínimo. A especialização Practical Data Science ajuda você a desenvolver as habilidades práticas para implantar com eficiência seus projetos de ciência de dados e superar os desafios em cada etapa do fluxo de trabalho de ML usando o Amazon SageMaker. Esta especialização foi projetada para desenvolvedores, cientistas e analistas com foco em dados familiarizados com as linguagens de programação Python e SQL e que desejam aprender como criar, treinar e implantar pipelines de ML ponta a ponta escaláveis, tanto automatizados quanto humanos. -the-loop - na nuvem AWS.