Получить сертификат легко, если вы действительно хотите

Я большой поклонник того, как Tesla решает задачу сбора данных о парке автомобилей, чтобы обучить свою сеть усилиям по созданию FSD, отсюда и изображение.

Хотя Amazon рекомендует 1–2 года опыта разработки, проектирования или выполнения рабочих нагрузок машинного обучения / глубокого обучения в облаке AWS, прежде чем сдавать экзамен. Но при правильном подходе к подготовке любой может сдать экзамен за гораздо меньшее время.

Вам действительно нравится ML?

Если вам не нравится машинное обучение, эта история не для вас. Но если вы новичок в ML и хотите научиться, это будет полезно.

Я считаю, что становится легко изучить инструмент или концепцию, когда вы действительно знаете цель его существования или влияние его существования. Знание цели упрощает и упрощает отображение на карте во время обучения.

Если машинное обучение для вас совершенно ново? Давай, сделай домашнее задание:

  1. Что такое машинное обучение?
  2. Что такое распространение?
  3. Что такое модель?
  4. Понимает ли непрофессионал этапы построения модели машинного обучения?
  5. В чем было узкое место для систем машинного обучения до появления облака?
  6. Как идея Cloud, открыла возможности для ML?

Если вы считаете, что вышеперечисленное является базовым и скучным, попробуйте придумать мотивацию, исследуя их.

  1. Как сотрудники Tesla тренируют свой автопилот?
  2. Что потребовалось для создания такого продукта, как Apple Card?
  3. Как работает автономный дрон Skydio?
  4. Как Siri предлагает вам приложения на основе ваших привычек?
  5. Как работает рекомендательный движок YouTube?
  6. Как Китай гениально добился массового наблюдения с помощью распознавания лиц?
  7. Как работает Apple FaceId?
  8. Что произойдет, если вы попросите Alexa включить свет в спальне?
  9. Как крупные технологические компании пытаются достичь 5-го уровня автономного вождения?
  10. Если вам за 20, вы наверняка знаете приложение Shazam. Вы когда-нибудь задумывались о том, как работает Shazam?
  11. Как ваши страховые компании определяют размер страхового взноса?
  12. Насколько хороши возможности приложений для редактирования фотографий в 2020 году?
  13. Как почтовые ящики с вкладками в Gmail классифицируют электронную почту?
  14. Вы когда-нибудь слышали об Amazon Go?
  15. Как работает визуальный поиск на Amazon?
  16. Как Doordash / Uber Eats / Postmates определяют расчетное время прибытия для вашего заказа?
  17. Как Google Фото собирает серию лучших фотографий из ваших альбомов
  18. Стоит ли мне продолжать список? Этот список можно продолжить.

Надеюсь, это заставило вас осознать, насколько глубоко ML отвечает за основные впечатления, которыми мы наслаждаемся каждый день в 2020 году, или, по крайней мере, вы все это время знали, что ML является причиной того, что это стало возможным. Все в порядке! В этом случае вы уже на полпути к этой цели, все следующие шаги - это просто задачи, которые позволят вам достичь цели.

Вы уже знали об AWS?

Супер! Если вы уже знали об AWS или какой-либо облачной платформе, у вас все в порядке.

В противном случае я бы посоветовал вам узнать об облаке, а также потратить несколько минут на просмотр домашней страницы AWS и предоставляемых ими услуг машинного обучения.

Вот недавняя лекция Дэвида Дж. Малана, которую я настоятельно рекомендую новичкам. - Щелкните здесь, чтобы перейти к лекции

А также вступительное видео AWS.

Я предлагаю вам пройти курс по основам AWS.

Все, о чем вам нужно знать, - это преимущества облака и внешний вид Консоли AWS.

Что на самом деле тестирует вас на экзамене AWS ML Specialty?

60% ML и 40% AWS.

Прежде чем мы углубимся в пошаговые инструкции, давайте посмотрим, в чем на экзамене вы хотите добиться хороших результатов?

Как их цитирует Amazon Web Services:

1. Выбрать и обосновать подходящий подход машинного обучения для данной бизнес-проблемы.

2. Определите подходящие сервисы AWS для внедрения решений машинного обучения.

3. Разработка и внедрение масштабируемых, экономичных, надежных и безопасных решений машинного обучения.

Здесь, хотя только №1 говорит только о машинном обучении, без №1 он имеет очень мало смысла в №2 и №3. Таким образом, он в основном вращается вокруг вашего понимания процесса построения модели машинного обучения - сбора данных, очистки данных, нормализации данных, маркировки данных (при необходимости), возможности выбора модели, что наиболее важно, настройки гиперпараметров модели, развертывания модель в производство и об обеспечении работоспособности в производстве.

Так что помните: больше машинного обучения, меньше AWS.

Немного больше разоблачения?

Если вы уже знакомы с основами, хорошо. В противном случае позвольте мне объяснить:

Понимает ли непрофессионал этапы построения модели машинного обучения?

  1. Соберите и получите данные
  2. Очистите данные
  3. При необходимости промаркируйте данные, подготовьте данные к использованию.
  4. Выберите модель / подход / алгоритм
  5. Обучите модель, используя данные
  6. Повторите этот процесс, пока не получите достаточную точность для прогноза.
  7. Разверните модель, чтобы использовать ее в производственной среде (уровень предприятия)

Итак, что еще возможно на AWS?

Все вышеперечисленные шаги могут выполняться традиционно локально, в основном на мощном локальном компьютере или на нескольких серверах, используя комбинацию следующих инструментов:

Python, Pandas, NumPy, Scikit_learn, Apache Spark MLlib, Google TensorFlow, Keras, PyTorch, Knime, Weka, Jupyter Notebooks, IBM Watson, Orange3

Точно так же, используя суперспособности облачных провайдеров, вы можете без проблем выполнять их в облаке, скажем, AWS.

На AWS существует множество сервисов, предоставляемых AWS для различных сценариев использования, что помогает создать действительно комплексное решение машинного обучения.

В основном такие сервисы, как S3, Kinesis-Streams, Analytics, Firehose, Kinesis Video Streams, Glue ETL, краулеры, каталог данных, Athena, служба миграции баз данных, конвейеры данных; все это предусмотрено для сценариев использования по хранению данных и миграции, что упростит выполнение шагов №1, №2, №3, №7.

AWS также предоставляет набор сервисов с исключительными сценариями использования машинного обучения, которые упрощают выполнение задач №4, №5, №6. На самом деле только их часть.

AWS добился блестящих результатов с помощью Amazon SageMaker, облачной платформы машинного обучения, которая позволяет абстрагироваться от множества навыков разработки программного обеспечения, необходимых для выполнения задачи, оставаясь при этом высокоэффективной, гибкой и недорогой. -эффективный. То есть в основном это помогает вам сосредоточиться на основных экспериментах по машинному обучению и дополняет остальные необходимые навыки простыми абстрактными инструментами. SageMaker поддерживает такие фреймворки, как TensorFlow, PyTorch, Apache MXNet, Chainer, Keras, Gluon, Horovod, Scikit-learn и Deep Graph Library. На изображении ниже представлен весь набор сервисов машинного обучения, предоставляемых AWS.

Они разработали Amazon SageMaker Studio, первую полностью интегрированную среду разработки (IDE) для машинного обучения, которая в противном случае делает утомительной настройку комплексного решения машинного обучения. Следует отметить, что новый алгоритм, созданный AWS - Random Cut Forest, также является одним из алгоритмов, предоставляемых в SageMaker.

AWS упростил эту задачу, предоставив услуги, ориентированные на самые популярные на рынке сценарии использования. Даже если вы не знаете, как устроена Alexa, вы можете создать свою собственную Alexa с комбинацией этих сервисов.

На высоком уровне

Alexa = Amazon Transcribe + Amazon Lex + Amazon Polly

Описание каждого из вышеперечисленных сервисов на AWS:

Amazon Transcribe - Amazon Transcribe - это служба автоматического распознавания речи (ASR), которая упрощает разработчикам добавление функции преобразования речи в текст в свои приложения. Используя Amazon Transcribe API, вы можете анализировать аудиофайлы, хранящиеся в Amazon S3, и получать от службы возврат текстового файла с транскрибированной речью.

Amazon Lex - Amazon Lex - это сервис для встраивания диалоговых интерфейсов в любое приложение с использованием голоса и текста. С Amazon Lex те же технологии глубокого обучения, что и в Amazon Alexa, теперь доступны любому разработчику, что позволяет быстро и легко создавать сложных диалоговых ботов на естественном языке.

Amazon Polly - Amazon Polly - это сервис, который превращает текст в реалистичную речь, позволяя создавать приложения, говорящие и создавать совершенно новые категории продуктов с поддержкой речи.

Имело смысл? Прохладный.

Если вам нравится ML, это будет довольно просто.

Все экзамены проверяют нас на способность выразить интуицию, лежащую в основе базовых алгоритмов машинного обучения.

Вот достойная иллюстрация того, что нужно для создания, обучения и развертывания модели.

Что вам не нужно для сдачи экзамена, но нужно выучить:

Если вы знаете эти нюансы, вы сможете понять их, иначе получение сертификата превратится в пустую ложь, и вскоре вы откажетесь от запутанных вещей.

Было бы полезно познакомиться с Jupyter Notebook, Python Language, некоторыми библиотеками, такими как Pandas, NumPy, Scikit_learn.

Было бы здорово знать TensorFlow, Keras или PyTorch.

Что такое 20 часов?

Фрэнк Кейн и Стефан Маараек - блестящие люди в облачной сертификации. Это лучший и оптимальный курс, который вы можете найти на рынке.

Эта курсовая работа является достойным завершением только необходимых частей, сжатых в 10 часов содержания. Вы можете потратить еще пару часов на то, чтобы делать заметки, а также на несколько пробежек активного отзыва. Вот почему название этой статьи на Medium рассчитано на несколько часов. Как только вы узнаете основы машинного обучения, его назначение, приложения машинного обучения и основы AWS, все, что вам потребуется, - это двукратное прохождение этого курса и тщательно сделанные заметки. пару запусков Active Recall перед экзаменом.

Бум! 20 часов.



Специальность по машинному обучению, сертифицированная AWS, 2020 - практический опыт!
Стефан - архитектор решений, консультант и разработчик программного обеспечения, который проявляет особый интерес ко всему… www.udemy.com



Дамп, который я приготовил для доработки:

Я сделал эту шпаргалку, чтобы сделать несколько попыток активного отзыва, чтобы помочь мне сохранить мои знания, надеюсь, это поможет. Помните, что лист не имеет смысла до того, как вы действительно научитесь, но в конечном итоге станет полезным после того, как вы закончите.

Шпаргалка

Удачи тебе!

Конец.