Come ho affrontato l'esame AWS Machine Learning

Dec 23 2022

Di recente ho avuto l'opportunità di sostenere l'esame di specializzazione in Machine Learning di AWS e volevo condividere la mia esperienza e alcuni suggerimenti che ho trovato utili per prepararmi all'esame. NOTA: tutte le opinioni sono mie e non riflettono quelle del mio datore di lavoro. Innanzitutto, è importante avere una solida base nei concetti e nelle tecniche di machine learning.

Di recente ho avuto l'opportunità di sostenere l' esame di specializzazione in Machine Learning di AWS e volevo condividere la mia esperienza e alcuni suggerimenti che ho trovato utili per prepararmi all'esame.

NOTA: tutte le opinioni sono mie e non riflettono quelle del mio datore di lavoro

Innanzitutto, è importante avere una solida base nei concetti e nelle tecniche di machine learning. Ciò include la comprensione dei diversi tipi di algoritmi, come funzionano e quando utilizzarli.

Oltre a questa base, è anche importante avere esperienza pratica con l'apprendimento automatico sulla piattaforma AWS. Ciò include l'utilizzo di servizi di intelligenza artificiale come Amazon SageMaker , Amazon Comprehend , Amazon Kendra ( ecc ) e la comprensione di come distribuire modelli di machine learning in un ambiente di produzione.

Il 10% dell'esame si concentra sui servizi di analisi, quindi è fondamentale acquisire una buona conoscenza delle tecnologie di acquisizione, elaborazione e visualizzazione dei dati. Leggi di più qui .

Per prepararmi all'esame, mi sono concentrato sullo studio di alcune parti fondamentali del materiale e sugli esami pratici invece di immergermi in ogni minimo dettaglio, poiché ho trovato questo approccio più efficiente in termini di tempo.

(1) Algoritmi incorporati

Per prepararmi all'esame, ho studiato i numerosi algoritmi integrati suddividendoli in categorie supervisionate e non supervisionate, quindi elencando i casi d'uso comuni per ciascuno. Questo approccio mi ha aiutato a identificare meglio i modelli nell'esame e come potrebbero essere applicati in diverse situazioni. NOTA: l'immagine che ho creato di seguito non comprende TUTTI gli algoritmi integrati su AWS. Fare riferimento qui per l'elenco completo.

(2) Concetto di Underfitting vs Overfitting

Comprendere le differenze tra underfitting e overfitting è fondamentale nel campo dell'apprendimento automatico, in quanto può avere un impatto significativo sull'accuratezza e l'efficacia di un modello. L'underfitting si verifica quando un modello è troppo semplice e non è in grado di catturare la complessità dei dati, portando a scarse prestazioni sia sui dati di addestramento che di test. D'altra parte, l' overfitting si verifica quando un modello è troppo complesso ed è in grado di adattarsi perfettamente ai dati di addestramento, ma si comporta male sui dati di test.

Ho creato la tabella qui sotto come riferimento rapido per rispondere alle domande durante l'esame poiché è emerso parecchio durante gli esami di pratica!

(3) Metriche di classificazione ML

Esistono diverse metriche comuni utilizzate per valutare le prestazioni di un modello di classificazione di machine learning:

Accuratezza : questa è la metrica più semplice e misura semplicemente la percentuale di previsioni corrette dal modello.

3. Richiamo : misura la proporzione di casi effettivamente positivi che il modello è stato in grado di identificare correttamente.

4. Punteggio F1 : si tratta di una media ponderata di precisione e richiamo e viene spesso utilizzata come singola metrica per confrontare i classificatori.

5. Curva AUC-ROC : Questa è una rappresentazione grafica delle prestazioni del modello e mostra il trade-off tra il tasso di veri positivi e il tasso di falsi positivi.

6. Matrice di confusione : questa è una tabella che mostra il numero di previsioni vere positive, vere negative, false positive e false negative fatte dal modello.

(4) Amazon Sagemaker

CC: Scienza dell'Amazzonia

Amazon SageMaker è una piattaforma di machine learning completamente gestita che fornisce una gamma di strumenti e servizi per la creazione, l'addestramento e la distribuzione di modelli di machine learning. Ho dato la priorità all'apprendimento di questo servizio di più.

La playlist di Amazon Sagemaker su YouTube è un'ottima risorsa per conoscere l'apprendimento automatico e come utilizzare Amazon Sagemaker per creare e distribuire modelli .

Anche la documentazione ufficiale di AWS è una risorsa preziosa, in quanto fornisce informazioni dettagliate sulle varie caratteristiche e capacità di Amazon Sagemaker. Se preferisci un approccio più pratico, il corso di Stephan Maarek su Udemy è un'ottima opzione, in quanto fornisce una guida dettagliata alla creazione e alla distribuzione di modelli di machine learning utilizzando Amazon Sagemaker. Inoltre, l' Amazon Sagemaker Immersion Day è una fantastica opportunità per conoscere tutte le funzionalità principali della piattaforma e acquisire un'esperienza pratica lavorando con essa.

(5) Tecniche ingegneristiche delle caratteristiche

L'ingegnerizzazione delle funzionalità è un passaggio importante nel processo di apprendimento automatico perché la qualità delle funzionalità utilizzate per addestrare un modello può influire in modo significativo sulle sue prestazioni. Buone caratteristiche possono aiutare un modello a fare previsioni più accurate, mentre caratteristiche scadenti o irrilevanti possono ostacolare la sua capacità di apprendere e prendere decisioni efficaci. Selezionando e creando attentamente le funzionalità pertinenti, possiamo fornire al nostro modello una migliore comprensione del problema che stiamo cercando di risolvere e migliorare la sua capacità di generalizzare a dati nuovi e invisibili. Inoltre, l'ingegnerizzazione delle funzionalità può aiutare a ridurre la complessità del modello, il che può migliorarne l'interpretabilità e facilitarne l'implementazione nelle applicazioni del mondo reale.

Dai un'occhiata alla tabella che ho creato qui sotto per rendere digeribili tutte le tecniche, l'importante è identificare le parole chiave!

(6) Servizi AI di AWS

È importante comprendere i vari servizi AWS AI e le loro capacità per mettere insieme in modo efficace un flusso di lavoro per uno scenario specifico. Ad esempio, se un'azienda non ha accesso ad altre risorse di data science ma desidera comunque estrarre il sentimento dei clienti dagli articoli di notizie, Amazon Comprehend potrebbe essere una buona scelta. Questo servizio utilizza l'elaborazione del linguaggio naturale per analizzare il testo e identificare i sentimenti, rendendolo adatto a questo compito. Tuttavia, se l'azienda volesse anche analizzare i dati dalle piattaforme dei social media, Amazon Rekognitionpotrebbe essere una soluzione migliore in quanto è specializzata nell'analisi di immagini e video. Conoscere le capacità di ciascun servizio consente di selezionare gli strumenti più appropriati per l'attività da svolgere, assicurando che il flusso di lavoro sia efficiente ed efficace.