AWS Üzerinde Makine Öğrenimi Mühendisliği Yeni Dönem

Bulut teknolojileri, makine öğrenimi projelerinin ölçeklenebilirliğini ve etkinliğini artırıyor. AWS platformunda makine öğrenimi mühendisliği eğitimi ile, gerçek dünya problemlerini çözmek için gerekli olan model geliştirme, dağıtım ve yönetim becerilerini kazanacaksınız.

Bu eğitim, AWS’nin güçlü araçlarını kullanarak, makine öğrenimi modellerinizi üretime hazır hale getirmek isteyen mühendisler için tasarlanmıştır. Uygulamalı örnekler ve canlı demo ile öğrendiklerinizi hemen pratiğe dökme fırsatı yakalayacaksınız.

• Makine öğrenmeye genel bakış
• Amazon SageMaker AI tanıtımı
• Sorumlu Makine Öğrenimi (Responsible ML) 

• ML iş problemlerinin değerlendirilmesi
• ML eğitim yaklaşımları
• ML eğitim algoritmaları 

• Veri hazırlama ve veri türleri
• Keşifsel veri analizi
• AWS depolama seçenekleri ve uygun depolamanın seçimi 

• Hatalı, çoğaltılmış ve eksik verilerin yönetimi
• Özellik mühendisliği kavramları
• Özellik seçimi teknikleri
• AWS veri dönüşüm servisleri
• Amazon SageMaker Data Wrangler ve Amazon EMR ile veri analizi ve hazırlığı
• SageMaker Processing ve SageMaker Python SDK kullanarak veri işleme

• Amazon SageMaker AI yerleşik algoritmaları
• Yerleşik eğitim algoritmalarının seçimi
• Amazon SageMaker Autopilot kullanımı
• Model seçimi kriterleri
• ML maliyet değerlendirmeleri 

• Model eğitimi kavramları
• Amazon SageMaker AI ile model eğitimi

• Model performansını değerlendirme
• Eğitim süresini kısaltma teknikleri
• Hiperparametre ayarlama teknikleri
• Amazon SageMaker AI ile model ayarlama ve hiperparametre optimizasyonu

• Yaygınlaştırma kriterleri ve hedef seçenekleri
• Yaygınlaştırma stratejileri
• Model çıkarım stratejisi seçimi
• Çıkarım için konteyner ve örnek türleri

• Erişim kontrolü
• ML kaynakları için ağ erişim kontrolleri
• CI/CD süreçlerinde güvenlik

• MLOps’a giriş
• CI/CD hatlarında test otomasyonu
• Sürekli teslimat servisleri
• Amazon SageMaker Pipelines ve Model Registry kullanımı

• ML modellerinde sapma (drift) tespiti
• SageMaker Model Monitor kullanımı
• Veri ve model kalitesinin izlenmesi
• Otomatik müdahale ve hata giderme
• Veri sapması için model izleme