Amazon Machine Learning University 導讀：亞馬遜把內部 ML 培訓搬上網

一句話：亞馬遜把訓練自家工程師的 ML 課程原封不動搬到網路上——三門加速課（NLP／電腦視覺／表格資料）加一門決策樹與集成方法進階班，YouTube 影音、GitHub 投影片與程式碼全免費。

背景：為什麼亞馬遜要辦大學

MLU（Machine Learning University）2016 年成立時是純內部組織，動機很直接：外面的大學供給不出亞馬遜需要的 ML 人才量。AWS 研究科學家 Brent Werness（MLU 實際上的教務長）的原話是「大學培養 ML 人才的速度趕不上亞馬遜的需求，更不用說其他所有公司」。2020 年 8 月，MLU 把三門加速課程對外公開，同年 12 月再推出第一門第二梯次進階課。

課程地圖

課程	內容	講師
Accelerated NLP	自然語言處理：文字分類、詞向量、序列模型	Cem Sazara
Accelerated CV	電腦視覺：影像分類、偵類、偵測、遷移學習	Rachel Hu
Accelerated Tabular Data	表格資料 ML：特徵工程、梯度提升	Amazon 科學家群
Decision Trees & Ensemble（DTE）	決策樹基礎到 LightGBM、CatBoost 等 boosting 技術，五週每週釋出一天份錄影	Cem Sazara

每門課都有配套 GitHub repo（投影片、notebook、資料集），例如 aws-samples/aws-machine-learning-university-accelerated-nlp 與 -dte。核心課綱另含深度學習、強化學習、機率圖模型、ML 上線實務；指定教材是亞馬遜科學家寫的《Dive into Deep Learning》（d2l.ai）。

兩個值得注意的設計決策

加速課先動手、晚補數學

傳統三學期制要 18–20 週才碰到實戰；加速版三天讓你髒了手，足以判斷「這是不是我的商業問題的解法」（專案經理 Ben Starsky 語）。先建立地圖感，數學地基留給核心課。

課綱跟著業務問題走

Werness 課程開發有兩條路：業務痛點驅動（CV、NLP 都是這樣來的）與技術進步驅動（如 AutoGluon 這類 AutoML 進步就改課）。教材不是學術移植，而是內部實戰沉澱。

我的觀點

公開課程是一石三鳥的策略：人才招募漏斗（上完課的人最懂 AWS 工具）、雲端生態圈綁定（範例碼用 SageMaker）、品牌護城河。看懂這層，就知道「免費」的商業邏輯——這也是經營 learn.dky.tw 這類自學站的同構參考。
加速課的教學排序值得抄：先讓學員能「問出好問題」，再回頭補理論。這跟我們統計課程「觀念 → 實作 → 案例」的分類邏輯一致，但他們的「三天判斷適配性」定位更狠、更適合在職者。
2026 回看仍不過時的部分：NLP 影音的模型細節已被 Transformer 世代超越，但表格資料與樹模型課（XGBoost／LightGBM 系）至今仍是產業主力——保險核保、風控、推薦排序的離線模型九成還是這一套。LLM 熱潮沒有取代它，反而襯托它穩定便宜。
過時的部分也要講清楚：2020 年的 CV/NLP 課前深度學習時代的架構占比偏高，當作入門地圖可以，追前沿要另外找資源。

應用場景

保險業表格建模

DTE 課的 boosting 技術直接對應核保評分、理賠詐欺偵測的常見生產架構，且附完整 notebook 可改造。

團隊培訓替代方案

預算有限時，MLU＋GitHub 教材可完全替代入門級付費 bootcamp；先加速課後核心課的路徑已鋪好。

自學路徑設計

先用加速課建立全景 → 回頭補 ISLP 統計基礎 → 再挑一門進階課深鑽。本站統計路徑正好補它的數學側。

教學產品拆解練習

觀察亞馬遜怎麼切「加速 vs 核心」、「業務驅動 vs 技術驅動」，是設計任何技術課程目錄的免費範本。

限制與提醒

全英文授課，無字幕翻譯；中文學習者需搭配本站 ISLP 等中文教材交叉閱讀。
影音攝於 2020–2021，套件版本較舊（跑 notebook 可能要降版本或自行改寫）。
部分連結以 MLU 官方頁（aws.amazon.com/machine-learning/mlu）為準，個別舊連結可能隨 AWS 改版失效。