Como enfrentei o exame AWS Machine Learning

Dec 23 2022

Recentemente, tive a oportunidade de fazer o exame AWS Machine Learning Specialty e gostaria de compartilhar minha experiência e algumas dicas que considerei úteis na preparação para o exame. OBSERVAÇÃO: todas as opiniões são minhas e não refletem as de meu empregador Em primeiro lugar, é importante ter uma base sólida em conceitos e técnicas de aprendizado de máquina.

Recentemente, tive a oportunidade de fazer o exame AWS Machine Learning Specialty e gostaria de compartilhar minha experiência e algumas dicas que considerei úteis na preparação para o exame.

NOTA: Todas as opiniões são minhas e não refletem a opinião do meu empregador

Em primeiro lugar, é importante ter uma base sólida em conceitos e técnicas de aprendizado de máquina. Isso inclui entender os diferentes tipos de algoritmos, como eles funcionam e quando usá-los.

Além dessa base, também é importante ter experiência prática com aprendizado de máquina na plataforma AWS. Isso inclui o uso de serviços de IA, como Amazon SageMaker , Amazon Comprehend , Amazon Kendra ( etc ), bem como entender como implantar modelos de aprendizado de máquina em um ambiente de produção.

10% do exame se concentra em serviços de análise, por isso é crucial obter uma boa compreensão das tecnologias de ingestão de dados, processamento de dados e visualização de dados. Leia mais sobre isso aqui .

Para me preparar para o exame, concentrei-me em estudar algumas partes principais do material e fazer exames práticos, em vez de mergulhar em cada detalhe minucioso, pois achei essa abordagem mais eficiente em termos de tempo.

(1) Algoritmos integrados

Para me preparar para o exame, estudei os muitos algoritmos integrados, dividindo-os em categorias supervisionadas e não supervisionadas e, em seguida, listando casos de uso comuns para cada um. Essa abordagem me ajudou a identificar melhor os padrões no exame e como eles poderiam ser aplicados em diferentes situações. NOTA: A imagem que fiz abaixo não inclui TODOS os algoritmos integrados na AWS. Consulte aqui a lista completa.

(2) Conceito de Underfitting vs Overfitting

Compreender as diferenças entre underfitting e overfitting é fundamental no campo do aprendizado de máquina, pois pode ter um impacto significativo na precisão e eficácia de um modelo. O underfitting ocorre quando um modelo é muito simples e incapaz de capturar a complexidade dos dados, levando a um desempenho ruim tanto nos dados de treinamento quanto nos de teste. Por outro lado, o overfitting ocorre quando um modelo é muito complexo e é capaz de ajustar os dados de treinamento perfeitamente, mas apresenta desempenho ruim nos dados de teste.

Criei a tabela abaixo como uma referência rápida para responder às perguntas durante o exame, pois ela surgiu bastante durante os exames práticos!

(3) Métricas de classificação de ML

Existem várias métricas comuns que são usadas para avaliar o desempenho de um modelo de classificação de aprendizado de máquina:

Precisão : essa é a métrica mais direta e simplesmente mede a porcentagem de previsões que o modelo acertou.

3. Recall : mede a proporção de casos positivos reais que o modelo foi capaz de identificar corretamente.

4. Pontuação F1 : Esta é uma média ponderada de precisão e revocação, e geralmente é usada como uma única métrica para comparar classificadores.

5. Curva AUC-ROC : Esta é uma representação gráfica do desempenho do modelo e mostra a compensação entre a taxa de verdadeiros positivos e a taxa de falsos positivos.

6. Matriz de confusão : Esta é uma tabela que mostra o número de previsões verdadeiro positivo, verdadeiro negativo, falso positivo e falso negativo feitas pelo modelo.

(4) Amazon Sagemaker

CC: Ciência da Amazônia

O Amazon SageMaker é uma plataforma de aprendizado de máquina totalmente gerenciada que fornece uma variedade de ferramentas e serviços para criar, treinar e implantar modelos de aprendizado de máquina. Eu priorizei mais o aprendizado desse serviço.

A lista de reprodução do Amazon Sagemaker no YouTube é um ótimo recurso para aprender sobre machine learning e como usar o Amazon Sagemaker para criar e implantar modelos .

A documentação oficial da AWS também é um recurso valioso, pois fornece informações detalhadas sobre os vários recursos e capacidades do Amazon Sagemaker. Se você preferir uma abordagem mais prática, o curso de Stephan Maarek na Udemy é uma ótima opção, pois fornece um guia passo a passo para criar e implantar modelos de aprendizado de máquina usando o Amazon Sagemaker. Além disso, o Amazon Sagemaker Immersion Day é uma oportunidade fantástica para aprender sobre todos os principais recursos da plataforma e obter experiência prática trabalhando com ela.

(5) Técnicas de Engenharia de Recursos

A engenharia de recursos é uma etapa importante no processo de aprendizado de máquina porque a qualidade dos recursos usados para treinar um modelo pode afetar significativamente seu desempenho. Bons recursos podem ajudar um modelo a fazer previsões mais precisas, enquanto recursos ruins ou irrelevantes podem prejudicar sua capacidade de aprender e tomar decisões eficazes. Ao selecionar e criar cuidadosamente recursos relevantes, podemos dar ao nosso modelo uma melhor compreensão do problema que estamos tentando resolver e melhorar sua capacidade de generalizar para dados novos e não vistos. Além disso, a engenharia de recursos pode ajudar a reduzir a complexidade do modelo, o que pode melhorar sua interpretabilidade e facilitar a implantação em aplicativos do mundo real.

Confira a tabela que fiz abaixo para tornar todas as técnicas digeríveis, o principal é identificar as palavras-chave!

(6) Serviços de IA da AWS

É importante entender os vários serviços de IA da AWS e seus recursos para criar um fluxo de trabalho eficaz para um cenário específico. Por exemplo, se uma empresa não tem acesso a outros recursos de ciência de dados, mas ainda deseja extrair o sentimento do cliente de artigos de notícias, o Amazon Comprehend pode ser uma boa escolha. Esse serviço usa processamento de linguagem natural para analisar texto e identificar sentimentos, tornando-o adequado para essa tarefa. No entanto, se a empresa também quiser analisar dados de plataformas de mídia social, o Amazon Rekognitionpode ser mais adequado, pois é especializado em análise de imagem e vídeo. Conhecer as capacidades de cada serviço permite selecionar as ferramentas mais adequadas para a tarefa em questão, garantindo que seu fluxo de trabalho seja eficiente e eficaz.