เวิร์กโฟลว์ AWS ML ด้วย SageMaker, Storage และ Security Essentials

การสร้างโมเดล machine learning เป็นเพียงครึ่งหนึ่งของงานเท่านั้น การปรับใช้โมเดลอย่างปลอดภัยและการจัดการไปป์ไลน์ข้อมูลบนคลาวด์อย่างมีประสิทธิภาพคือสิ่งที่ทำให้โครงการประสบความสำเร็จ หลักสูตรแบบข้อความนี้จะแนะนำคุณเกี่ยวกับบริการ AWS ที่จำเป็นสำหรับการออกแบบ การรักษาความปลอดภัย และการจัดการเวิร์กโฟลว์ ML ที่แข็งแกร่ง คุณจะได้เปลี่ยนจากการทำความเข้าใจทฤษฎี ML พื้นฐานไปสู่การสร้างสถาปัตยกรรมคลาวด์ที่ปลอดภัยและปรับขยายได้โดยใช้ SageMaker และบริการจัดเก็บข้อมูลของ AWS ที่เกี่ยวข้อง สิ่งที่คุณจะได้เรียนรู้: - เข้าใจคำศัพท์พื้นฐานของคลาวด์ ML และองค์ประกอบหลักของสถาปัตยกรรม SageMaker - กำหนดค่าโซลูชันการจัดเก็บข้อมูลที่ปลอดภัยโดยใช้ S3, นโยบาย IAM และการเข้ารหัส KMS สำหรับข้อมูลการฝึกอบรมที่ละเอียดอ่อน - ออกแบบเวิร์กโฟลว์ ML แบบ end-to-end โดยใช้ SageMaker Pipelines สำหรับการฝึกอบรมโมเดลอัตโนมัติ - ประยุกต์ใช้แนวปฏิบัติที่ดีที่สุดด้านความปลอดภัย รวมถึงการกำหนดค่า VPC ส่วนตัวและการควบคุมการเข้าถึงแบบละเอียด - จัดการวงจรชีวิตของข้อมูลและตัวเลือกการจัดเก็บข้อมูลที่ปรับให้เหมาะสมสำหรับการฝึกอบรมโมเดลประสิทธิภาพสูง - ฝึกฝนการแก้ไขปัญหาไปป์ไลน์ การจัดเก็บข้อมูล และข้อผิดพลาดด้านสิทธิ์ผ่านสถานการณ์จำลองที่เป็นลายลักษณ์อักษร หลักสูตรเริ่มต้นด้วยแนวคิดพื้นฐานของการจัดเก็บข้อมูลบนคลาวด์และการจัดการตัวตน ก่อนที่จะก้าวไปสู่ขั้นตอนการกำหนดค่าทีละขั้นตอนสำหรับเวิร์กโฟลว์ SageMaker คุณจะได้ศึกษาแบบแผนสถาปัตยกรรมและการตั้งค่าความปลอดภัยในโลกแห่งความเป็นจริงผ่านคำอธิบายที่เป็นลายลักษณ์อักษรที่ชัดเจนและละเอียด รวมถึงตัวอย่างโค้ด หลักสูตรนี้ออกแบบมาสำหรับผู้ที่ต้องการเป็นผู้ปฏิบัติงานด้านคลาวด์ นักวิทยาศาสตร์ข้อมูล และนักพัฒนาที่เพิ่งเริ่มใช้บริการ AWS ML โดยไม่จำเป็นต้องมีประสบการณ์ด้านวิศวกรรมคลาวด์มาก่อน เริ่มสร้างเวิร์กโฟลว์ machine learning ที่ปลอดภัยและปรับขยายได้บน AWS วันนี้