Machine Learning University
Die Machine Learning University (MLU) bietet jedem, überall und jederzeit Zugriff auf dieselben Machine-Learning-Kurse, mit denen Amazon-eigene Entwickler in Machine Learning geschult werden. Mit MLU können alle Entwickler lernen, wie man Machine Learning mit der MLU-Accelerator-Lernreihe zum Lernen nutzt. Die MLU-Accelerator-Reihe wurde entwickelt, um Ihren ML-Weg mit drei dreitägigen Grundlagenkursen zu den Themen Natürliche Sprachverarbeitung, Tabellarische Daten und Computer Vision zu beginnen. Nach Abschluss der Accelerator-Reihe bietet der Kurs Entscheidungsstrukturen und Ensemble-Methoden eine fünftägige Vortragsreihe für Fortgeschrittene zu strukturbasierten und Ensemble-Modellen. Anhand sequenzieller YouTube-Videos, die von Amazon-Wissenschaftlern mit praktischen Beispielen, Jupyter-Notebooks und Foliendecks unterrichtet werden, bietet MLU einen umfassenden Self-Service-Weg zum Verständnis der Grundlagen des Machine Learning. Kursmaterialien sind in GitHub verfügbar. Weitere Informationen zu unseren Kursen finden Sie weiter unten.
Erste Schritte
Bei den von der Machine Learning University angebotenen Kursen handelt es sich um dieselben Kurse, mit denen Amazon-eigene Entwickler in den Grundlagen des Machine Learning geschult werden. Der Einstieg in die MLU ist einfach und bietet den Kursteilnehmenden eine flexible Lernstruktur, in der sie ihr eigenes Tempo bestimmen können.
Auffrischung der Grundlagen
Um mit MLU zu beginnen, müssen alle Benutzer ein AWS-Konto erstellen. Es wird außerdem empfohlen, dass die Lernenden über ein grundlegendes Verständnis und Grundkenntnisse von Python verfügen, um diesen Inhalt optimal nutzen zu können. Wenn Sie mit Python nicht vertraut sind, schauen Sie sich einige unserer anderen Lernressourcen für Einführungstutorials an.
Lernpfad auswählen
Wählen Sie je nach Ihren Bedürfnissen einen von drei Lernpfaden. Jeder Lernpfad umfasst Vorträge auf YouTube, Folien, praktische Übungen und Jupyter-Notebooks in GitHub.
Jetzt lernen
Die Kursteilnehmenden haben Zugriff auf GitHub-Notebooks und -Folien, die die Videovorträge begleiten. Diese bieten die Möglichkeit, sich selbst durch Lektionen und praktische Aktivitäten zu führen. Gehen Sie in Ihrem eigenen Tempo vor und wählen Sie die Lektionen und Themen aus, die für Sie am relevantesten sind.
Natürliche Sprachverarbeitung
Kurszusammenfassung
Dieser Kurs soll Ihnen den Einstieg in natürlicher Sprachverarbeitung (NLP) erleichtern und Ihnen zeigen, wie Sie NLP in verschiedenen Anwendungsfällen verwenden können. Es werden Themen wie Textverarbeitung, Regression und strukturbasierte Modelle, Hyperparameter-Tuning, wiederkehrende neuronale Netze, Aufmerksamkeitsmechanismen und Transformatoren behandelt.
Inhalt des Kurses
Auf der GitHub-Seite finden Sie eine detaillierte Gliederung der Lektionen, Projekte, Notizbücher und mehr.
Tabellarische Daten
Kurszusammenfassung
Erfahren Sie, wie Sie mit tabellarischen Daten (Tabellenkalkulationsdaten) und den gängigen Techniken des Machine Learning zur Bearbeitung tabellarischer Daten arbeiten können. In diesem Kurs werden Themen wie Feature Engineering, strukturbasierte Modelle und Ensembles, Regressionsmodelle, neuronale Netzwerke und AutoML behandelt.
Inhalt des Kurses
Auf der GitHub-Seite finden Sie eine detaillierte Gliederung der Lektionen, Projekte, Notizbücher und mehr.
Computer Vision
Kurszusammenfassung
Durch diesen Kurs erwerben Sie die notwendigen Fähigkeiten für den Einstieg in die Computer Vision. Sie lernen etwas über Image-Klassifizierung, Convolutional Neuronal Networks, Transferlernen, Objekterkennung und semantische Segmentierung.
Inhalt des Kurses
Auf der GitHub-Seite finden Sie eine detaillierte Gliederung der Lektionen, Projekte, Notizbücher und mehr.
Entscheidungsstruktur und Ensemble-Methoden
Kurszusammenfassung
Beginnen Sie in diesem Kurs mit strukturbasierten Modellen und Ensemble-Modellen. In diesem Kurs erfahren Sie mehr über Entscheidungsstrukturen, Verunreinigungen, Kompromisse zwischen Verzerrungen und Varianz, Random Forests, Nähen, Merkmalsbedeutung und Boosting.
Inhalt des Kurses
Auf der GitHub-Seite finden Sie eine detaillierte Gliederung der Lektionen, Projekte, Notizbücher und mehr.
Verantwortungsvolle KI – Fairness und Vermeidung von Verzerrungen
Kurszusammenfassung
Dieser Kurs soll Sie in verschiedene Dimensionen verantwortungsvoller KI einführen, wobei der Schwerpunkt auf Fairness-Kriterien und der Minderung von Verzerrungen liegt. Erfahren Sie mehr über verschiedene Fairness-Kriterien, Messungen von Verzerrungen und Techniken zur Minderung von Verzerrungen.
Inhalt des Kurses
Auf der GitHub-Seite finden Sie eine detaillierte Gliederung der Lektionen, Projekte, Notizbücher und mehr.
Weitere Ressourcen
Machine Learning – Vertiefung
Erweitern Sie Ihre Kenntnisse und Fähigkeiten zu AWS-ML-Services.
AWS Training and Certification
Entdecken Sie von AWS Training and Certification geführte Kurse und Schulungen für alle Stufen der ML-Erfahrung.
Praktische Tutorials
Verwenden Sie diese schnellen Tutorials für den Einstieg in die AWS-ML-Services und deren gängige Anwendungsfälle.