AWS Machine Learning sınavının üstesinden nasıl geldim?

Dec 23 2022

Yakın zamanda AWS Makine Öğrenimi Uzmanlık sınavına girme fırsatım oldu ve deneyimimi ve sınava hazırlanırken faydalı bulduğum bazı ipuçlarını paylaşmak istedim. NOT: Tüm görüşler bana aittir ve işverenimin görüşlerini yansıtmaz. Her şeyden önce, makine öğrenimi kavramları ve teknikleri konusunda sağlam bir temele sahip olmak önemlidir.

Yakın zamanda AWS Makine Öğrenimi Uzmanlık sınavına girme fırsatım oldu ve deneyimimi ve sınava hazırlanırken faydalı bulduğum bazı ipuçlarını paylaşmak istedim.

NOT: Tüm görüşler bana aittir ve işverenimin görüşlerini yansıtmaz.

Her şeyden önce, makine öğrenimi kavramları ve teknikleri konusunda sağlam bir temele sahip olmak önemlidir. Bu, farklı algoritma türlerini, nasıl çalıştıklarını ve ne zaman kullanacaklarını anlamayı içerir.

Bu temele ek olarak, AWS platformunda makine öğrenimi ile uygulamalı deneyime sahip olmak da önemlidir. Buna Amazon SageMaker , Amazon Comprehend , Amazon Kendra ( vb .) gibi yapay zeka hizmetlerinin kullanılması ve makine öğrenimi modellerinin bir üretim ortamında nasıl devreye alınacağının anlaşılması dahildir.

Sınavın %10'u analitik hizmetlerine odaklanır, bu nedenle veri alımı, veri işleme ve veri görselleştirme teknolojilerini iyi bir şekilde kavramak çok önemlidir. Bununla ilgili daha fazla bilgiyi buradan okuyun .

Sınava hazırlanmak için, her dakika ayrıntısına dalmak yerine , materyalin birkaç temel parçasını çalışmaya ve deneme sınavları yapmaya odaklandım çünkü bu yaklaşımın zaman açısından daha verimli olduğunu buldum.

(1) Yerleşik Algoritmalar

Sınava hazırlanmak için birçok yerleşik algoritmayı denetimli ve denetimsiz kategorilere ayırarak ve ardından her biri için yaygın kullanım durumlarını listeleyerek çalıştım. Bu yaklaşım, sınavdaki kalıpları ve bunların farklı durumlarda nasıl uygulanabileceğini daha iyi belirlememe yardımcı oldu. NOT: Aşağıda yaptığım görsel AWS'deki TÜM Yerleşik Algoritmalardan oluşmuyor. Tam liste için buraya bakın .

(2) Yetersiz Uyum ve Fazla Uyum Kavramı

Bir modelin doğruluğu ve etkinliği üzerinde önemli bir etkiye sahip olabileceğinden, makine öğrenimi alanında yetersiz ve fazla uydurma arasındaki farkları anlamak çok önemlidir. Yetersiz uyum , bir model çok basit olduğunda ve verilerin karmaşıklığını yakalayamadığında ortaya çıkar, bu da hem eğitim hem de test verilerinde düşük performansa yol açar. Öte yandan, bir model çok karmaşık olduğunda ve eğitim verilerini mükemmel bir şekilde uydurabildiğinde, ancak test verilerinde düşük performans gösterdiğinde aşırı uyum oluşur.

Aşağıdaki tablo, deneme sınavlarında oldukça fazla geldiği için sınav sırasında soruları cevaplamak için hızlı bir referans olarak oluşturdum!

(3) Makine Öğrenimi Sınıflandırma Metrikleri

Bir makine öğrenimi sınıflandırma modelinin performansını değerlendirmek için kullanılan birkaç yaygın ölçüm vardır:

Doğruluk : Bu, en basit metriktir ve yalnızca modelin doğru yaptığı tahminlerin yüzdesini ölçer.

3. Hatırlama : Bu, modelin doğru bir şekilde tanımlayabildiği gerçek pozitif vakaların oranını ölçer.

4. F1 Puanı : Bu, hassasiyet ve hatırlamanın ağırlıklı ortalamasıdır ve genellikle sınıflandırıcıları karşılaştırmak için tek bir metrik olarak kullanılır.

5. AUC-ROC Eğrisi : Bu, modelin performansının grafiksel bir temsilidir ve gerçek pozitif oranı ile yanlış pozitif oranı arasındaki dengeyi gösterir.

6. Karışıklık Matrisi : Model tarafından yapılan doğru pozitif, doğru negatif, yanlış pozitif ve yanlış negatif tahminlerin sayısını gösteren tablodur.

(4) Amazon Bilge Yapıcı

CC: Amazon Bilimi

Amazon SageMaker , makine öğrenimi modelleri oluşturmak, eğitmek ve devreye almak için çeşitli araçlar ve hizmetler sunan, tam olarak yönetilen bir makine öğrenimi platformudur. En çok bu hizmeti öğrenmeye öncelik verdim.

YouTube'daki Amazon Sagemaker oynatma listesi , makine öğrenimi ve modeller oluşturmak ve devreye almak için Amazon Sagemaker'ın nasıl kullanılacağı hakkında bilgi edinmek için harika bir kaynaktır .

Resmi AWS belgeleri de Amazon Sagemaker'ın çeşitli özellikleri ve yetenekleri hakkında ayrıntılı bilgi sağladığı için değerli bir kaynaktır. Daha uygulamalı bir yaklaşımı tercih ediyorsanız, Stephan Maarek'in Udemy kursu, Amazon Sagemaker kullanarak makine öğrenimi modelleri oluşturmak ve dağıtmak için adım adım bir kılavuz sağladığı için harika bir seçenektir. Ek olarak, Amazon Sagemaker Daldırma Günü , platformun tüm temel özellikleri hakkında bilgi edinmek ve onunla çalışma konusunda uygulamalı deneyim kazanmak için harika bir fırsattır.

(5) Özellik Mühendisliği Teknikleri

Bir modeli eğitmek için kullanılan özelliklerin kalitesi performansını önemli ölçüde etkileyebileceğinden, özellik mühendisliği makine öğrenimi sürecinde önemli bir adımdır. İyi özellikler, bir modelin daha doğru tahminler yapmasına yardımcı olurken, zayıf veya ilgisiz özellikler, öğrenme ve etkili kararlar verme yeteneğini engelleyebilir. İlgili özellikleri dikkatli bir şekilde seçip oluşturarak , modelimizin çözmeye çalıştığımız sorunu daha iyi anlamasını sağlayabilir ve yeni, görünmeyen verilere genelleştirme yeteneğini geliştirebiliriz. Ek olarak, özellik mühendisliği, modelin karmaşıklığını azaltmaya yardımcı olabilir, bu da modelin yorumlanabilirliğini artırabilir ve gerçek dünyadaki uygulamalarda devreye alınmasını kolaylaştırabilir.

Tüm teknikleri anlaşılır kılmak için aşağıda yaptığım tabloya göz atın, asıl önemli olan anahtar kelimeleri belirlemek!

(6) AWS yapay zeka hizmetleri

Belirli bir senaryo için bir iş akışını etkili bir şekilde bir araya getirmek için çeşitli AWS AI hizmetlerini ve bunların yeteneklerini anlamak önemlidir. Örneğin, bir şirketin diğer veri bilimi kaynaklarına erişimi yoksa ancak yine de haber makalelerinden müşteri görüşlerini çıkarmak istiyorsa Amazon Comprehend iyi bir seçim olabilir. Bu hizmet, metni analiz etmek ve duyguları belirlemek için doğal dil işlemeyi kullanır ve bu da onu bu görev için çok uygun hale getirir. Ancak şirket, sosyal medya platformlarından gelen verileri de analiz etmek isterse, Amazon Rekognitiongörüntü ve video analizinde uzmanlaştığı için daha uygun olabilir. Her bir hizmetin yeteneklerini bilmek, elinizdeki görev için en uygun araçları seçmenize olanak tanıyarak iş akışınızın verimli ve etkili olmasını sağlar.