Ưu đãi trong tuần: Nhập mã UD50 giảm 50k cho đơn từ 300k!
Trang chủ
Đăng nhập
Xem tất cả kết quả
Menu
Đăng nhập Đăng ký miễn phí

Deploy a Production Machine Learning model with AWS & React

Triển khai mô hình Machine Learning sản xuất với AWS & React

Triển khai mô hình Machine Learning sản xuất với AWS & React

Xây dựng Bộ phân loại Ảnh Deep Learning có khả năng mở rộng và bảo mật với SageMaker, Next.js, Node.js, MongoDB & DigitalOcean

4.7
(296 đánh giá)
2,759 học viên
Giảng viên
Patrik Szepesi
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
50.000đ 349.000đ -86%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
6.0 giờ video
74 bài giảng
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 30/05/2026
#Aws #Machine Learning #React #Web Development

Bạn sẽ học được gì

Triển khai ứng dụng Machine Learning sẵn sàng cho sản xuất: mạnh mẽ, mở rộng được và bảo mật
Thiết lập Tinh chỉnh Siêu tham số (Hyperparameter Tuning) trên AWS
Tìm bộ Siêu tham số tốt nhất bằng tìm kiếm Bayes (Bayesian search)
Sử dụng Matplotlib, Numpy, Pandas, Seaborn trong SageMaker
Sử dụng Tự động mở rộng (AutoScaling) cho các Endpoint đã triển khai trên AWS
Sử dụng GPU instance đa luồng (multi-instance) để huấn luyện trên AWS
Cách sử dụng SageMaker Notebooks cho mọi tác vụ Machine Learning trên AWS
Thiết lập AWS API Gateway để triển khai mô hình lên internet
Bảo mật AWS Endpoints bằng cách giới hạn truy cập theo địa chỉ IP
Sử dụng bất kỳ tập dữ liệu tùy chỉnh nào để huấn luyện
Thiết lập chính sách IAM trên AWS
Thiết lập Lambda concurrency trên AWS
Trực quan hóa Dữ liệu (Data Visualization) trong SageMaker
Cách thực hiện MLOps trên AWS
Xây dựng và triển khai ứng dụng MongoDB, Express, Nodejs, React/nextjs lên DigitalOcean
Tạo một pipeline Machine Learning hoàn chỉnh từ thu thập dữ liệu đến triển khai
So sánh Chế độ File (File Mode) và Chế độ Pipe (Pipe Mode) khi huấn luyện mô hình deep learning trên AWS
Sử dụng Bộ phân loại Ảnh tích hợp sẵn của AWS
Tạo mô hình deep learning với AWS SageMaker
Cách truy cập bất kỳ thuật toán tích hợp sẵn nào của AWS từ AWS ECR
Sử dụng CloudWatch logs để giám sát job huấn luyện và suy luận (inferences)
Phân tích mô hình machine learning với Ma trận nhầm lẫn (Confusion matrix), Điểm F1 (F1 score), Độ nhạy (Recall) và Độ chính xác (Precision)
Truy cập AWS endpoint thông qua ứng dụng web MERN đã triển khai chạy trên DigitalOcean
Xây dựng một ứng dụng web đẹp mắt
Cách kết hợp AI và Machine Learning với Lĩnh vực Y tế (Healthcare)
Thiết lập Tăng cường Dữ liệu (Data Augmentation) trên AWS
Machine Learning với Python
JavaScript để triển khai ứng dụng MERN

Yêu cầu

Chỉ cần một máy tính xách tay và kết nối internet
Một chút kiến thức về Python và Machine Learning
Khoảng 15-40 đô la cho việc sử dụng tài nguyên AWS (Tùy chọn, chỉ áp dụng nếu bạn làm theo cùng tôi)

Đối tượng phù hợp

Dành cho những người đã có chút kinh nghiệm về ML và muốn nâng tầm kỹ năng bằng cách có thể triển khai các mô hình deep learning của họ lên môi trường sản xuất

Nội dung khóa học

11 phần • 74 bài giảng
1 Tổng quan khóa học
2 Những gì chúng ta sẽ xây dựng
3 Phần mở đầu
1 Thiết lập Chính sách IAM
2 Thiết lập SageMaker
3 Cập nhật SageMaker Notebook
4 Khởi chạy SageMaker notebook của chúng ta
1 Tối ưu hóa chi phí và các Mẹo khác
1 Lấy dữ liệu từ Kaggle Phần 1
2 Lấy dữ liệu từ Kaggle Phần 2
3 Quan trọng
4 Trực quan hóa hình ảnh
5 Chỉnh sửa
6 Thay đổi kích thước hình ảnh (Lý thuyết)
7 Thị giác Máy tính (Computer Vision) Phần 1
8 Thị giác Máy tính (Computer Vision) Phần 2
9 Thay đổi kích thước hình ảnh của chúng ta (Thực hành Code)
10 Kiểm tra các hình ảnh đã đổi kích thước
11 Trực quan hóa Dữ liệu
12 Tạo DataFrame cho việc Trực quan hóa
13 Tạo Biểu đồ Thanh (Bar Graphs) của chúng ta
14 Làm cho Biểu đồ đẹp hơn
1 File .lst là gì?
2 Tạo Pandas DataFrame cho các file .lst
3 Tạo các file .lst của chúng ta
4 Tải hình ảnh và file .lst lên S3
5 Chỉnh sửa và Xác minh việc Tải lên
6 Thiết lập đối tượng Ước lượng (Estimator) cho việc huấn luyện
7 QUAN TRỌNG, Chỉnh sửa về Max Runs
8 Thiết lập Tinh chỉnh Siêu tham số (Hyperparameter Tuning)
9 Thiết lập phạm vi cho các Siêu tham số (Hyperparameters ranges)
10 Chỉnh sửa
11 Thiết lập Job Huấn luyện của chúng ta
12 Bắt đầu Job Huấn luyện của chúng ta
1 Đánh giá Job Huấn luyện của chúng ta
2 Triển khai mô hình cục bộ (locally)
3 Thực hiện Suy luận (Inference) đầu tiên
4 Xây dựng ma trận nhầm lẫn (confusion matrix)
5 Độ nhạy (Recall), Độ chính xác (Precision), Điểm F1 (F1 Score)
6 Tắt Endpoint của chúng ta
1 Tạo Chính sách IAM cho hàm Lambda của chúng ta
2 Viết code cho hàm Lambda của chúng ta
3 Tạo API Gateway của chúng ta
4 Thêm tên Endpoint vào Lambda
5 Kích thước hình ảnh cho Suy luận (Inference)
6 Kiểm tra Endpoint của chúng ta với Postman
7 Thiết lập Lambda Concurrency
1 Mã nguồn (Source Code)
2 Thiết lập cơ sở dữ liệu MongoDB của chúng ta
3 Tải mã nguồn từ Github
4 Khởi chạy ứng dụng web cục bộ (locally)
5 Đặt URL Axios trỏ đến Endpoint của chúng ta
6 Hướng dẫn chi tiết ứng dụng MERN Phần 1
7 Khởi động Endpoint của bạn
8 Hướng dẫn chi tiết ứng dụng MERN Phần 2
1 Tự động mở rộng (AutoScaling) cho Endpoint của chúng ta Phần 1
2 Tự động mở rộng (AutoScaling) cho Endpoint của chúng ta Phần 2
3 Bảo mật Endpoint của chúng ta Phần 1
4 Bảo mật Endpoint của chúng ta Phần 2
1 Tạo tài khoản DigitalOcean của chúng ta
2 Thiết lập máy chủ DigitalOcean của chúng ta
3 Kết nối SSH vào droplet DigitalOcean của chúng ta
4 Cài đặt Node.js và NPM lên droplet của chúng ta
5 Tạo kho lưu trữ (repository) Frontend và Backend
6 Clone Repos từ Github và Cài đặt Nginx
7 Tạo file env và Thiết lập MongoDB
8 Khởi động Backend của chúng ta
9 Chạy Frontend của chúng ta
10 Thay đổi địa chỉ IP
11 Kiểm tra với các hình ảnh ngẫu nhiên từ Internet
1 Xóa Amazon SageMaker Endpoint
2 Dọn dẹp và Các bước tiếp theo
3 Bước cuối cùng: Xóa Elastic File System
4 Cảm ơn bạn đã theo dõi

Giới thiệu khóa học

In this course we are going to use AWS Sagemaker, AWS API Gateway, Lambda, React.js, Node.js, Express.js MongoDB and DigitalOcean to create a secure, scalable, and robust production ready enterprise level image classifier. We will be using best practices and setting up IAM policies to first create a secure environment in AWS. Then we will be using AWS' built in SageMaker Studio Notebooks where I am going to show you guys how you can use any custom dataset you want. We will perfrom Exploratory data analysis on our dataset with Matplotlib, Seaborn, Pandas and Numpy. After getting insightful information about dataset we will set up our Hyperparameter Tuning Job in AWS where I will show you guys how to use GPU instances to speed up training and I will even show you guys how to use multi GPU instance training. We will then evaluate our training jobs, and look at some metrics such as Precision, Recall and F1 Score. Upon evaluation we will deploy our deep learning model on AWS with the help of AWS API Gateway and Lambda functions. We will then test our API with Postman, and see if we get inference results. After that is completed we will secure our endpoints and set up autoscaling to prevent latency issues. Finally we will build our web application which will have access to the AWS API. After that we will deploy our web application to DigitalOcean.



Khóa học liên quan

Khám phá thêm các khoá học cùng chủ đề

Hiển thị tất cả khoá học Aws
Hiển thị tất cả khoá học Machine Learning
Hiển thị tất cả khoá học React
Hiển thị tất cả khoá học Web Development
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊