内容领域 2：ML 模型开发
任务 2.1：选择建模方法
掌握以下知识：
ML 算法的功能以及正确用于解决业务问题
如何使用 AWS 人工智能 (AI) 服务（例如，Amazon Translate、Amazon Transcribe、Amazon Rekognition、Amazon Bedrock）来解决特定的业务问题
在模型选择或算法选择过程中如何考虑可解释性
Amazon SageMaker AI 内置算法以及各算法的应用场景
具备以下技能：
评估可用数据和问题复杂性，以便确定 ML 解决方案的可行性
比较和选择适当的 ML 模型或算法来解决特定问题
选择内置算法、基础模型和解决方案模板（例如，在 SageMaker JumpStart 和 Amazon Bedrock 中）
根据成本选择模型或算法
选择 AI 服务来解决常见的业务需求问题
任务 2.2：训练和优化模型
掌握以下知识：
训练过程中的要素（例如，epoch、步骤、批次大小）
缩短模型训练时间的方法（例如，提前停止、分布式训练）
影响模型大小的因素
提高模型性能的方法
正则化技术的益处（例如，随机失活、权重衰减、L1 和 L2）
超参数优化技术（例如，随机搜索、贝叶斯优化）
模型超参数及其对模型性能的影响（例如，基于树的模型中的树数量、神经网络中的层数）
将在 SageMaker AI 之外构建的模型集成到 SageMaker AI 中的方法
具备以下技能：
使用 SageMaker AI 内置算法和常用 ML 库开发 ML 模型
使用 SageMaker AI 脚本模式和支持 SageMaker AI 的框架来训练模型（例如 TensorFlow、PyTorch）
使用自定义数据集微调预训练模型（例如 Amazon Bedrock、SageMaker JumpStart）
执行超参数优化（例如，使用 SageMaker AI 自动模型优化 [AMT]）
集成自动超参数优化功能
防止模型过拟合、欠拟合和灾难性遗忘（例如，通过使用正则化技术、特征选择）
组合多个训练模型以提高性能（例如，集成、堆叠、提升）
减小模型大小（例如，通过更改数据类型、修剪、更新特征选择、压缩）
管理模型版本来实现可重复性以及用于审计（例如，使用 SageMaker 模型注册表）
任务 2.3：分析模型性能
掌握以下知识：
模型评估技术和指标（例如，混淆矩阵、热图、F1 分数、准确率、查准率、查全率、均方根误差 [RMSE]、接收方操作特性 [ROC]、ROC 曲线下面积 [AUC]）
创建性能基准的方法
识别模型过拟合和欠拟合的方法
SageMaker Clarify 中提供的指标，用于深入了解 ML 训练数据和模型
收敛问题
具备以下技能：
选择和解释评估指标并检测模型偏差
评估在模型性能、训练时间和成本之间的权衡
使用 AWS 服务执行可重复的实验
将影子变体的性能与生产变体的性能进行比较
使用 SageMaker Clarify 解释模型输出
使用 SageMaker 模型调试器调试模型收敛
