Curso AWS Machine Learning (MLS-C01).

Aprenderás los servicios de analítica de Big Data para las tareas Colección y Procesamiento de Datos a gran escala. Utilizaremos de manera práctica los servicios administrados de Kinesis,

• Laboratorio práctico para procesar archivos de log de múltiples servidores utilizando Kinesis Data Streams.
• Laboratorio práctico para consumir y analizar la información de logs mediante Kinesis Data Analytics y funciones Lambda.
• Laboratorio práctico para derivar el resultado obtenido hacia servicios de almacenamiento como S3 utilizando Kinesis Data Firehose.

Aprenderás los servicios para base de datos NoSQL (DynamoDB, DocumentDB), base de datos para Grafos (Neptune) y base de datos para Series de Tiempo (TimeSeries)

• Laboratorio práctico para crear una tabla con indices usando DynamoDB almacenando datos desde una función Lambda.
• Laboratorio práctico para crear una base de datos para Grafos con Neptune.
• Laboratorio práctico para crear una base de datos para Series de Tiempo con TimeSeries.

Aprenderás los servicios para desplegar un DatawareHouse con Redshift y visualización de datos desde QuickSight. También exploraremos como conectar Athena desde S3 y Glue.

• Laboratorio práctico para crear un cluster de servidores con Redshift.
• Laboratorio práctico para crear un tablero de control con Quicksight accediendo desde Redshift.
• Laboratorio práctico para crear reportes de analítica de datos usando Athena pero accediendo a la información desde S3 y Glue.

Aprenderás las téncnicas recomendadas para analisis de datos exploratorios y los modelos de entrenamiento para regresiones, clasificaciones binarias y multi clase, agrupamiento, recomendación, predicciones. Asimismo revisaremos las metricas mas importantes para medir el desempeño y optimizar los algoritmos.

• Laboratorio práctico para realizar ingenieria de parametros, etiquetado de datos, formateo y manejo de datos faltantes.
• Laboratorio práctico para revisar los algoritmos de XGBoost, logistic regression, K-means, linear regression, decision trees, random forest, RNN, CNN, Ensemble y Transfer Learning.
• Laboratorio práctico para visualización de datos usando librerias como Panda, Matplotlib y Seaborn.

Aprenderás el proceso completo de entrenamiento, validación, despliegue e invocación de modelos de aprendizaje automático usando AWS SageMaker.

• Laboratorio práctico para iniciar Jupyter Notebooks y JupyterLab en SageMaker.
  
• Laboratorio práctico para entrenar, desplegar e invocar un modelo de Reconocimiento de imagenes usando Deep Learning con Pytorch, TensorFlow y SageMaker.
  
• Laboratorio práctico para entregar, desplegar e invocar un modelo de Reconocimiento de imagenes usando Amazon Rekognition.

Revisaremos a detalle la guía oficial en español del examen de certificación AWS Machine Learning asi como las 10 preguntas de ejemplo para conocer los tips, consejos y estrategias de resolución. Además se realizará el Simulador Oficial del examen de AWS que consta de 20 preguntas, donde los alumnos podrán validar su conocimientos aprendidos y preparación impartida en clase.