ML Model Optimizasyonu ve Ölçeklendirilmesi (AWS SageMaker ile)

Doğru ölçeklendirme stratejileri olmadan makine öğrenimi iş yüklerini çalıştırmak hızla pahalı ve yavaş hale gelebilir. Bu kurs size eğitim hatlarınızı optimize etmek, bilgi işlem maliyetlerini azaltmak ve modelleri verimli bir şekilde ölçeklendirmek için AWS SageMaker'dan nasıl yararlanılacağını öğretir. Temel eğitim işlerini çalıştırmaktan, yüksek performanslı, dağıtılmış makine öğrenimi iş yüklerini yönetmeye geçeceksiniz. Açık açıklamalar ve pratik yazılı alıştırmalar aracılığıyla, model parametrelerini otomatik olarak nasıl ince ayarlayacağınızı ve eğitimi birden çok bilgi işlem düğümüne nasıl dağıtacağınızı öğreneceksiniz. Neler öğreneceksiniz: - AWS SageMaker eğitim işlerinin ve yönetilen altyapının temel mimarisini anlayın - En iyi model ayarlarını otomatik olarak bulmak için hiperparametre ayarlama işlerini yapılandırın - Birden çok örnekte (instance) büyük veri kümelerini işlemek için dağıtılmış eğitim stratejilerini uygulayın - SageMaker tarafından yönetilen sıcak havuzları (warm pools) ve Spot Instances kullanarak eğitim maliyetlerini optimize edin - SageMaker Profiler kullanarak eğitim performansını izleyin ve darboğazlarda hata ayıklayın - Makine öğrenimi deneylerinizi ve eğitim çalışmalarınızı sistematik olarak takip edin ve düzenleyin Bu kurs, pratik optimizasyon tekniklerine ve ölçeklendirme yapılandırmalarına geçmeden önce temel bulut makine öğrenimi kavramları ve temel SageMaker terminolojisi ile başlar. Daha önce bulut ölçeklendirme deneyimi olmayan, yerel makine öğrenimi iş akışlarını sağlam, ölçeklenebilir bulut ortamlarına taşımak isteyen yeni başlayanlar, veri bilimcileri ve geliştiriciler için tasarlanmıştır. Bulutta daha hızlı, daha uygun maliyetli makine öğrenimi hatları oluşturmak için bugün okumaya başlayın.