機器學習 – 資料平台工程師

了解架構、資料和儲存體如何支援進階機器學習建模和智慧工作負載

機器學習  |  業務決策者  |  資料平台工程師  |  資料科學家  |  開發人員

這條路徑專為資料平台工程師設計。了解機器學習 (ML) 會改變資料擷取、系統需求和效能,以及客戶體驗。接著透過選擇性培訓補充學過的技能。

在下方進一步了解與每項學習發展有關的課程。

learning-path-ml-data-platform-engineer_march2020
  • 按照這裡建議的課程和考試順序,在此學習路徑上培養 AWS 雲端技能。

    ML 建置區塊:服務與術語

    這兩個課程將釐清機器學習堆疊與術語,以及協助您建置良好機器學習基礎的程序。

    數位  |  40 分鐘

    Process Model: CRISP-DM on the AWS Stack

    逐步介紹 CRISP-DM 方法與架構,並將模型的六個階段實際應用在您的日常工作。 

    數位  |  50 分鐘

    Data Analytics Fundamentals

    在此自主進度課程中,您將了解規劃資料分析解決方案的過程,以及所涉及的各種資料分析過程。此課程將向您介紹五個關鍵因素,這些因素表明在收集、處理,分析和顯示資料時需要特定的 AWS 服務。

    數位  |  3.5 小時

    Machine Learning Data Readiness

    本課程專注在與機器學習 (ML) 有關的資料準備度概念。您將了解如何判斷資料準備度,以及識別在 ML 程序採用資料準備度的時機。

    數位  |  1 小時

    Storage Deep Dives

    這些課程專為企業儲存工程師設計,可學習如何建構和管理高可用性解決方案,並著重在 AWS 儲存服務。

    數位  |  課程長度不定

    機器學習安全

    透過特定主題,具體包括 NACL、安全群組、AWS Identity and Access Management,以及加密金鑰管理,保障您的應用程式與環境的安全。

    數位  |  30 分鐘

    Big Data on AWS

    本課程介紹以雲端為基礎的大數據解決方案,例如 Amazon Elastic MapReduce (EMR)、Amazon Redshift、Amazon Kinesis 及其他 AWS 大數據平台。

  • Machine Learning Pipeline on AWS

    探索如何在基於專案的學習環境中使用機器學習 (ML) 管道解決實際商業問題。您將從 AWS 講師提供的簡報和示範中了解管道的每個階段。然後,您將應用該知識來完成專案:解決三個商業問題中的其中一個。在課程結束時,您將使用 Amazon SageMaker 成功建置、訓練、評估、調整和部署 ML 模型,從而解決您選擇的業務問題。

    語言討論:機器翻譯和 NLP

    這些課程探索機器如何與人類語言互動。說明可協助您進行神經網路和自然語言處理的 AWS 服務,主題包含自動語音辨識、自然和流暢語言翻譯,以及文字中的洞見和關係。

    數位  |  80 分鐘

    Seeing Clearly: Computer Vision Theory

    本課程探索機器如何理解影像和影片。 

    數位  |  2.5 小時

  • 選擇性培訓

    Exploring the Machine Learning Toolset

    介紹一些用於建置模型、增加應用程式智慧的 AWS 機器學習服務。

    數位 | 80 分鐘

     

需要更多課程?