Cách tôi vượt qua kỳ thi AWS Machine Learning

Gần đây, tôi có cơ hội tham gia kỳ thi AWS Machine Learning Specialty và tôi muốn chia sẻ kinh nghiệm của mình cũng như một số mẹo mà tôi thấy hữu ích trong quá trình chuẩn bị cho kỳ thi.

LƯU Ý: Tất cả các ý kiến ​​​​là của riêng tôi và không phản ánh chủ nhân của tôi

Trước hết, điều quan trọng là phải có nền tảng vững chắc về các khái niệm và kỹ thuật học máy. Điều này bao gồm việc hiểu các loại thuật toán khác nhau, cách chúng hoạt động và thời điểm sử dụng chúng.

Ngoài nền tảng này, điều quan trọng là bạn phải có kinh nghiệm thực hành về máy học trên nền tảng AWS. Điều này bao gồm việc sử dụng các dịch vụ AI như Amazon SageMaker , Amazon Comprehend , Amazon Kendra ( v.v. ) cũng như hiểu cách triển khai các mô hình máy học trong môi trường sản xuất.

10% bài kiểm tra tập trung vào các dịch vụ phân tích, vì vậy điều quan trọng là bạn phải nắm vững các công nghệ nhập dữ liệu, xử lý dữ liệu và trực quan hóa dữ liệu. Đọc thêm về nó ở đây .

Để chuẩn bị cho kỳ thi, tôi tập trung vào nghiên cứu một vài phần cốt lõi của tài liệu và làm các bài kiểm tra thực hành thay vì đi sâu vào từng chi tiết nhỏ, vì tôi thấy cách tiếp cận này tiết kiệm thời gian hơn.

(1) Thuật toán tích hợp

Để chuẩn bị cho kỳ thi, tôi đã nghiên cứu nhiều thuật toán tích hợp sẵn bằng cách chia chúng thành các danh mục được giám sát và không được giám sát, sau đó liệt kê các trường hợp sử dụng phổ biến cho từng loại. Cách tiếp cận này đã giúp tôi xác định rõ hơn các mẫu trong bài kiểm tra và cách áp dụng chúng trong các tình huống khác nhau. LƯU Ý: Hình ảnh tôi tạo bên dưới không bao gồm TẤT CẢ Thuật toán tích hợp trên AWS. Tham khảo tại đây để biết danh sách đầy đủ.

(2) Khái niệm về Underfitting vs Overfitting

Hiểu được sự khác biệt giữa trang bị thiếu và trang bị thừa là rất quan trọng trong lĩnh vực máy học, vì nó có thể tác động đáng kể đến độ chính xác và hiệu quả của mô hình. Thiếu trang bị xảy ra khi một mô hình quá đơn giản và không thể nắm bắt được độ phức tạp của dữ liệu, dẫn đến hiệu suất kém trên cả dữ liệu huấn luyện và thử nghiệm. Mặt khác, overfitting xảy ra khi một mô hình quá phức tạp và có thể phù hợp hoàn hảo với dữ liệu huấn luyện, nhưng hoạt động kém trên dữ liệu thử nghiệm.

Tôi đã tạo bảng dưới đây như một tài liệu tham khảo nhanh để trả lời các câu hỏi trong kỳ thi vì nó xuất hiện khá nhiều trong các kỳ thi thực hành!

(3) Số liệu phân loại ML

Có một số chỉ số phổ biến được sử dụng để đánh giá hiệu suất của mô hình phân loại học máy:

1. Độ chính xác : Đây là số liệu đơn giản nhất và nó chỉ đo lường phần trăm dự đoán mà mô hình đã đúng.

3. Thu hồi : Chỉ số này đo lường tỷ lệ các trường hợp dương tính thực tế mà mô hình có thể xác định chính xác.

4. Điểm F1 : Đây là mức trung bình có trọng số của độ chính xác và khả năng thu hồi, đồng thời thường được sử dụng làm chỉ số duy nhất để so sánh các bộ phân loại.

5. Đường cong AUC-ROC : Đây là biểu diễn đồ họa về hiệu suất của mô hình và cho thấy sự đánh đổi giữa tỷ lệ dương thực và tỷ lệ dương giả.

6. Ma trận nhầm lẫn : Đây là bảng hiển thị số dự đoán dương tính thực, âm tính thực, dương tính giả và âm tính giả do mô hình đưa ra.

(4) Nhà làm hiền triết Amazon

Amazon SageMaker là một nền tảng máy học được quản lý hoàn toàn, cung cấp nhiều công cụ và dịch vụ để xây dựng, đào tạo và triển khai các mô hình máy học. Tôi ưu tiên tìm hiểu dịch vụ này nhất.

Danh sách phát Amazon Sagemaker trên YouTube là một tài nguyên tuyệt vời để tìm hiểu về machine learning và cách sử dụng Amazon Sagemaker để xây dựng và triển khai các mô hình .

Tài liệu chính thức của AWS cũng là một tài nguyên quý giá vì nó cung cấp thông tin chi tiết về các tính năng và khả năng khác nhau của Amazon Sagemaker. Nếu bạn thích cách tiếp cận thực hành hơn, thì khóa học của Stephan Maarek trên Udemy là một lựa chọn tuyệt vời vì khóa học này cung cấp hướng dẫn từng bước để xây dựng và triển khai các mô hình machine learning bằng Amazon Sagemaker. Ngoài ra, Amazon Sagemaker Immersion Day là một cơ hội tuyệt vời để tìm hiểu về tất cả các tính năng cốt lõi của nền tảng và có được một số kinh nghiệm thực tế khi làm việc với nó.

(5) Kỹ thuật Kỹ thuật Tính năng

Kỹ thuật tính năng là một bước quan trọng trong quy trình học máy vì chất lượng của các tính năng được sử dụng để đào tạo một mô hình có thể ảnh hưởng đáng kể đến hiệu suất của nó. Các tính năng tốt có thể giúp mô hình đưa ra dự đoán chính xác hơn, trong khi các tính năng kém hoặc không liên quan có thể cản trở khả năng học hỏi và đưa ra quyết định hiệu quả của mô hình. Bằng cách lựa chọn cẩn thận và tạo các tính năng có liên quan, chúng tôi có thể giúp mô hình của mình hiểu rõ hơn về vấn đề mà chúng tôi đang cố gắng giải quyết và cải thiện khả năng khái quát hóa thành dữ liệu mới, chưa từng thấy của mô hình. Ngoài ra, kỹ thuật tính năng có thể giúp giảm độ phức tạp của mô hình, điều này có thể cải thiện khả năng diễn giải của mô hình và giúp triển khai dễ dàng hơn trong các ứng dụng trong thế giới thực.

Kiểm tra bảng tôi đã thực hiện dưới đây để làm cho tất cả các kỹ thuật dễ hiểu, điều chính là xác định các từ khóa!

(6) Dịch vụ AWS AI

Điều quan trọng là phải hiểu các dịch vụ AWS AI khác nhau và khả năng của chúng để kết hợp hiệu quả quy trình làm việc cho một tình huống cụ thể. Ví dụ: nếu một công ty không có quyền truy cập vào các tài nguyên khoa học dữ liệu khác nhưng vẫn muốn trích xuất cảm tính của khách hàng từ các bài báo, thì Amazon Comprehend có thể là một lựa chọn tốt. Dịch vụ này sử dụng quá trình xử lý ngôn ngữ tự nhiên để phân tích văn bản và xác định cảm xúc, khiến dịch vụ này rất phù hợp cho nhiệm vụ này. Tuy nhiên, nếu công ty cũng muốn phân tích dữ liệu từ các nền tảng truyền thông xã hội, Amazon Rekognitioncó thể phù hợp hơn vì nó chuyên về phân tích hình ảnh và video. Biết khả năng của từng dịch vụ cho phép bạn chọn các công cụ thích hợp nhất cho nhiệm vụ hiện tại, đảm bảo rằng quy trình làm việc của bạn hiệu quả và hiệu quả.

Liên kết tài nguyên & Bài kiểm tra thực hành

• https://aws.amazon.com/training/learning-paths/machine-learning/exam-preparation/
• https://tutorialsdojo.com/courses/aws-certified-machine-learning-specialty-practice-exams/
• https://www.whizlabs.com/aws-certified-machine-learning-specialty/
• https:///swlh/cheat-sheet-for-aws-ml-specialty-certification-e8f9c88566ba