Cómo abordé el examen de AWS Machine Learning

Dec 23 2022

Recientemente tuve la oportunidad de realizar el examen de especialidad de aprendizaje automático de AWS y quería compartir mi experiencia y algunos consejos que me resultaron útiles para prepararme para el examen. NOTA: Todas las opiniones son mías y no reflejan las de mi empleador. En primer lugar, es importante tener una base sólida en conceptos y técnicas de aprendizaje automático.

Recientemente tuve la oportunidad de realizar el examen de especialidad de aprendizaje automático de AWS y quería compartir mi experiencia y algunos consejos que me resultaron útiles para prepararme para el examen.

NOTA: Todas las opiniones son mías y no reflejan las de mi empleador

En primer lugar, es importante tener una base sólida en conceptos y técnicas de aprendizaje automático. Esto incluye comprender los diferentes tipos de algoritmos, cómo funcionan y cuándo usarlos.

Además de esta base, también es importante tener experiencia práctica con el aprendizaje automático en la plataforma de AWS. Esto incluye el uso de servicios de inteligencia artificial como Amazon SageMaker , Amazon Comprehend , Amazon Kendra ( etc. ), así como comprender cómo implementar modelos de aprendizaje automático en un entorno de producción.

El 10 % del examen se centra en los servicios de análisis, por lo que es crucial tener una buena comprensión de las tecnologías de ingesta, procesamiento y visualización de datos. Lea más sobre esto aquí .

Para prepararme para el examen, me concentré en estudiar algunas piezas básicas del material y hacer exámenes de práctica en lugar de sumergirme en cada detalle, ya que encontré que este enfoque era más eficiente en el tiempo.

(1) Algoritmos incorporados

Para prepararme para el examen, estudié los muchos algoritmos incorporados dividiéndolos en categorías supervisadas y no supervisadas, y luego enumeré los casos de uso comunes para cada uno. Este enfoque me ayudó a identificar mejor los patrones en el examen y cómo podrían aplicarse en diferentes situaciones. NOTA: La imagen que hice a continuación no incluye TODOS los algoritmos incorporados en AWS. Consulte aquí para ver la lista completa.

(2) Concepto de Underfitting vs Overfitting

Comprender las diferencias entre ajuste insuficiente y sobreajuste es fundamental en el campo del aprendizaje automático, ya que puede tener un impacto significativo en la precisión y eficacia de un modelo. El ajuste insuficiente ocurre cuando un modelo es demasiado simple y no puede capturar la complejidad de los datos, lo que genera un rendimiento deficiente tanto en los datos de entrenamiento como de prueba. Por otro lado, el sobreajuste ocurre cuando un modelo es demasiado complejo y puede ajustarse perfectamente a los datos de entrenamiento, pero tiene un desempeño deficiente en los datos de prueba.

¡Creé la siguiente tabla como una referencia rápida para responder preguntas durante el examen, ya que surgió bastante durante los exámenes de práctica!

(3) Métricas de clasificación de ML

Hay varias métricas comunes que se utilizan para evaluar el rendimiento de un modelo de clasificación de aprendizaje automático:

Precisión : esta es la métrica más sencilla y simplemente mide el porcentaje de predicciones que el modelo acertó.

3. Recordar : Esto mide la proporción de casos positivos reales que el modelo pudo identificar correctamente.

4. Puntuación F1 : este es un promedio ponderado de precisión y recuperación, y a menudo se usa como una métrica única para comparar clasificadores.

5. Curva AUC-ROC : esta es una representación gráfica del rendimiento del modelo y muestra el equilibrio entre la tasa de verdaderos positivos y la tasa de falsos positivos.

6. Matriz de confusión : esta es una tabla que muestra el número de predicciones positivas verdaderas, negativas verdaderas, positivas falsas y negativas falsas realizadas por el modelo.

(4) fabricante de salvia de Amazon

CC: Amazon Science

Amazon SageMaker es una plataforma de aprendizaje automático totalmente administrada que proporciona una gama de herramientas y servicios para crear, entrenar e implementar modelos de aprendizaje automático. Prioricé más el aprendizaje de este servicio.

La lista de reproducción de Amazon Sagemaker en YouTube es un excelente recurso para aprender sobre el aprendizaje automático y cómo usar Amazon Sagemaker para crear e implementar modelos.

La documentación oficial de AWS también es un recurso valioso, ya que proporciona información detallada sobre las diversas funciones y capacidades de Amazon Sagemaker. Si prefiere un enfoque más práctico, el curso de Stephan Maarek en Udemy es una excelente opción, ya que proporciona una guía paso a paso para crear e implementar modelos de aprendizaje automático con Amazon Sagemaker. Además, el Día de inmersión de Amazon Sagemaker es una oportunidad fantástica para conocer todas las características principales de la plataforma y obtener experiencia práctica trabajando con ella.

(5) Técnicas de ingeniería de características

La ingeniería de funciones es un paso importante en el proceso de aprendizaje automático porque la calidad de las funciones utilizadas para entrenar un modelo puede afectar significativamente su rendimiento. Las buenas características pueden ayudar a un modelo a realizar predicciones más precisas, mientras que las características deficientes o irrelevantes pueden obstaculizar su capacidad para aprender y tomar decisiones eficaces. Al seleccionar y crear características relevantes cuidadosamente, podemos darle a nuestro modelo una mejor comprensión del problema que estamos tratando de resolver y mejorar su capacidad de generalizar a datos nuevos e invisibles. Además, la ingeniería de características puede ayudar a reducir la complejidad del modelo, lo que puede mejorar su interpretabilidad y facilitar su implementación en aplicaciones del mundo real.

¡Mira la tabla que hice a continuación para que todas las técnicas sean digeribles, lo principal es identificar las palabras clave!

(6) Servicios de IA de AWS

Es importante comprender los diversos servicios de IA de AWS y sus capacidades para armar de manera efectiva un flujo de trabajo para un escenario específico. Por ejemplo, si una empresa no tiene acceso a otros recursos de ciencia de datos pero aún desea extraer la opinión del cliente de los artículos de noticias, Amazon Comprehend puede ser una buena opción. Este servicio utiliza procesamiento de lenguaje natural para analizar texto e identificar opiniones, lo que lo hace ideal para esta tarea. Sin embargo, si la empresa también quisiera analizar datos de plataformas de redes sociales, Amazon Rekognitionpodría ser una mejor opción, ya que se especializa en análisis de imágenes y videos. Conocer las capacidades de cada servicio le permite seleccionar las herramientas más apropiadas para la tarea en cuestión, asegurando que su flujo de trabajo sea eficiente y efectivo.