Este repositório contém todo o código relacionado ao curso "Machine Learning com AWS e SageMaker", proporcionando uma visão prática sobre a utilização dos recursos do Amazon SageMaker para treinar modelos de machine learning.
A Amazon Web Services (AWS) é uma plataforma de nuvem líder no mercado, oferecendo uma ampla variedade de serviços abrangendo computação, armazenamento, banco de dados e muito mais. Dentro desse vasto universo, destaca-se o SageMaker, um serviço projetado para permitir que cientistas e engenheiros de dados criem, treinem e implantem modelos de ML para uma variedade de aplicações.
No decorrer deste curso, irei:
- Aprofundar meu entendimento sobre os principais serviços da Amazon: AWS, S3, EC2, IAM e SageMaker.
- Aprender a codificar em Python usando o SageMaker Studio.
- Integrar o SageMaker com o serviço de armazenamento de dados S3.
- Desenvolver competências para resolver problemas de regressão, classificação e outras aplicações usando diversos algoritmos.
- Estudar através de mais de 16 horas de conteúdo em vídeo e mais de 120 aulas, cada uma com exercícios práticos para solidificar meu aprendizado.
- Para uma descrição mais detalhada dos tópicos que estarei abordando, consulte a seção O que irei aprender.
- Interação com os principais serviços AWS.
- Codificação em Python usando o SageMaker Studio.
- Integração entre SageMaker e S3.
- Implementação de soluções ML com algoritmos da AWS.
- Técnicas de regressão e classificação com Linear Learner e XGBoost.
- Previsões de séries temporais com DeepAR.
- Detecção de outliers com Random Cut Forest.
- Redução de dimensionalidade com PCA.
- Classificação de imagens com redes neurais convolucionais.
- Integração do TensorFlow com AWS.
- Deploy de modelos ML para acesso externo.
- Utilização da ferramenta autopilot para automação ML.
Cada pasta corresponde a uma seção ou tópico específico do curso. Dentro de cada pasta, encontro códigos, datasets e outros recursos relevantes. Para acompanhar o curso, clonei este repositório e estou executando os notebooks ou scripts conforme avanço nas aulas.
- Seção 1: Introdução
- Seção 2: Introdução ao AWS
- Seção 3: Regressão com Linear Learner e XGBoost
- Seção 4: Classificação com Linear Learner e XGBoost
- Seção 5: Séries temporais com DeepAR
- Seção 6: Outliers com Random Cut Forest
- Seção 7: PCA e Agrupamento K-means
- Seção 8:
- Seção 9:
- Seção 10:
- Seção 11:
- Seção 12:
- Seção 13:
- Seção 14:
- Seção 15:
Desenvolvido com ❤️ durante meu aprendizado no curso.