AWS Machine Learning Specialty 课程
系统化的 AWS Machine Learning Specialty 课程，覆盖数据工程、模型训练、安全、部署、监控、MLOps 和优化，并配有练习题。
课程进度
0 / 5
返回课程
你将学到
- 描述数据工程与准备。
- 解释模型训练与算法。
- 描述安全与合规。
- 解释部署与推理。
- 描述监控、MLOps 与优化。
开始前准备
- 具备基础 AWS 知识会有帮助。
- 建议了解一些 Python 或机器学习基础。
- 无需之前的 AWS 认证。
课程 1 数据工程与准备
AWS Machine Learning Specialty 考试验证在 AWS 上设计、构建和运营机器学习解决方案的能力。数据工程是第一步：S3 存储原始数据集，Athena 直接查询 S3 中的数据，AWS Glue 准备和编目数据。特征存储集中管理可复用特征，Data Wrangler 提供可视化准备。团队把数据分为训练集、验证集和测试集，归一化数值特征，处理类别变量，并避免数据泄漏。高质量的数据准备直接影响模型准确性和可靠性。 复习时把 S3、Glue、算法、安全和部署工具做成卡片，每天快速回忆，再完成几道同类题巩固。错题要写出正确推理，并把最弱主题放在每周练习的最前面。
示例
示例：团队把原始交易存储在 S3，使用 Glue 清洗数据，为可复用特征创建特征存储，并把最终数据集分为训练集、验证集和测试集。课程 2 模型训练与算法
模型训练使用 SageMaker 内置算法和自定义容器。Linear Learner 支持回归，XGBoost 处理表格分类和回归，K-Means 聚类，PCA 降维。超参数在训练前设置，epoch 是数据遍历次数，损失函数衡量误差。过拟合发生在模型记住训练数据时。提前停止、验证集、迁移学习和混淆矩阵有助于构建可靠模型。 复习时把 S3、Glue、算法、安全和部署工具做成卡片，每天快速回忆，再完成几道同类题巩固。错题要写出正确推理，并把最弱主题放在每周练习的最前面。
示例
示例：回归团队使用 Linear Learner，监控验证损失，应用提前停止，并在分类试点中用混淆矩阵评估最终模型。课程 3 安全与合规
安全与合规保护数据和模型。IAM 控制用户和角色，KMS 管理加密密钥，VPC 提供网络隔离，VPC 端点提供私有访问。TLS 保护传输中的数据，CloudTrail 审计 API 调用，最小权限只授予所需权限。笔记本实例使用 IAM 角色，私有端点把推理保持在 VPC 内。静态和传输中的数据加密是机器学习工作负载的核心要求。 复习时把 S3、Glue、算法、安全和部署工具做成卡片，每天快速回忆，再完成几道同类题巩固。错题要写出正确推理，并把最弱主题放在每周练习的最前面。
示例
示例：医疗机器学习工作负载使用 KMS 加密，在 VPC 内运行，使用私有端点，并只允许所需的最小 IAM 权限。课程 4 部署与推理
部署与推理把模型投入生产。实时端点提供实时预测，批量转换处理大数据集，推理管道串联预处理和预测。端点配置定义模型、实例和容量；自动扩展调整容量；生产变体路由流量进行 A/B 测试。Serverless 和批量选项可以降低成本并匹配工作负载模式。 复习时把 S3、Glue、算法、安全和部署工具做成卡片，每天快速回忆，再完成几道同类题巩固。错题要写出正确推理，并把最弱主题放在每周练习的最前面。
示例
示例：零售商使用实时端点提供产品推荐，使用批量转换进行夜间评分，并使用自动扩展处理流量高峰。课程 5 监控、MLOps 与优化
监控与 MLOps 让模型保持可靠。CloudWatch 监控端点指标和告警；Model Monitor 检测数据漂移；Experiments 跟踪运行；Pipelines 自动化工作流；血缘记录工件关系；Clarify 检测偏差。优化使用 Spot 训练、分布式训练、Autopilot、自动调参、合适的实例、模型压缩和成本审查。团队在出现漂移时重新训练，并使用 MLOps 让更新可重复。 复习时把 S3、Glue、算法、安全和部署工具做成卡片，每天快速回忆，再完成几道同类题巩固。错题要写出正确推理，并把最弱主题放在每周练习的最前面。