| Kursbeschreibung (description): |
Der Kurs AW235 Machine Learning Engineering on AWS richtet sich an ML-Profis, deren Ziel es ist, Machine Learning Engineering auf AWS zu erlernen. In diesem 3-tägigen Training für Fortgeschrittene erfahren Sie, wie man ML-Lösungen im großen Maßstab erstellt, bereitstellt, orchestriert und operationalisiert. Darüber hinaus beschäftigt sich dieses Training mit der Erstellung von robusten, skalierbaren und produktionsreifen Machine-Learning-Anwendungen.
Dieser Kurs setzt sich aus Präsentationen und Gruppenübungen zusammen, um das Erlernte sofort praktisch anzuwenden.
|
|
| Zielgruppe (target group): |
- DevOps Engineers
- Developer
- SysOps Engineers
- ML-Ingenieure
- ML-Profis, die an der Erstellung, Bereitstellung und Operationalisierung von Modellen für maschinelles Lernen in AWS interessiert sind.
|
|
| Voraussetzungen (requirements): |
Die Teilnehmer des Trainings AW235 Machine Learning Engineering on AWS sollten die folgenden Voraussetzungen erfüllen:
- Vertrautheit mit grundlegenden Konzepten des maschinellen Lernens
- Kenntnisse der Programmiersprache Python und gängiger Data-Science-Bibliotheken wie NumPy, Pandas und Scikit-learn
- Grundlegendes Verständnis von Cloud-Computing-Konzepten und Vertrautheit mit AWS
- Erfahrung mit Versionskontrollsystemen wie Git (von Vorteil, aber nicht erforderlich)
|
|
| Ziele (objectives): |
- ML-Grundlagen und ihre Anwendungen in der AWS Cloud
- Verarbeiten, Transformieren und Entwickeln von Daten für ML-Aufgaben unter Verwendung von AWS-Services
- Auswahl geeigneter ML-Algorithmen und Modellierungsansätze basierend auf den Anforderungen des Problems und der Interpretierbarkeit des Modells
- Entwurf und Implementierung skalierbarer ML-Pipelines unter Verwendung von AWS-Services für die Modellschulung, Bereitstellung und Orchestrierung
- Erstellung automatisierter kontinuierlicher Integrations- und Bereitstellungspipelines (CI/CD) für ML-Workflows
- Implementierung von Überwachungsstrategien für bereitgestellte ML-Modelle, einschließlich Techniken zur Erkennung von Datendrift
|
|
| Preis und Dauer (price and duration): |
Dauer (duration): 3 Tage
Preis (price): 1995,- Euro zzgl. MwSt.
Eine Druckansicht dieses Workshops finden Sie hier.
|
|
| Termine (dates): |
Termine auf Anfrage.
Falls Sie einen Terminwunsch für diesen Workshop haben, werden wir dies gerne für Sie prüfen!
|
|
|
| Inhalte (agenda): |
Day 1
- Module 1: Einführung in das maschinelle Lernen (ML) auf AWS
- Topic A: Einführung in ML
- Topic B: Amazon SageMaker AI
- Topic C: Verantwortungsvolles ML
- Module 2: Analysieren von Herausforderungen des maschinellen Lernens (ML)
- Topic A: Bewerten von ML-Geschäftsherausforderungen
- Topic B: ML-Trainingsansätze
- Topic C: ML-Trainingsalgorithmen
- Module 3: Datenverarbeitung für maschinelles Lernen (ML)
- Topic A: Datenvorbereitung und -typen
- Topic B: Explorative Datenanalyse
- Topic C: AWS-Speicheroptionen und Auswahl des Speichers
- Module 4: Datentransformation und Feature-Engineering
- Topic A: Umgang mit falschen, doppelten und fehlenden Daten
- Topic B: Feature-Engineering-Konzepte
- Topic C: Feature-Auswahltechniken
- Topic D: AWS-Datentransformationsdienste
- Übung 1: Analysieren und Aufbereiten von Daten mit Amazon SageMaker Data Wrangler und Amazon EMR
- Übung 2: Datenverarbeitung mit SageMaker Processing und dem SageMaker Python SDK
Day 2
- Module 5: Auswahl eines Modellierungsansatzes
- Topic A: Integrierte Algorithmen von Amazon SageMaker AI
- Topic B: Auswahl integrierter Trainingsalgorithmen
- Topic C: Amazon SageMaker Autopilot
- Topic D: Überlegungen zur Modellauswahl
- Topic E: Überlegungen zu den ML-Kosten
- Module 6: Training von Modellen des maschinellen Lernens (ML)
- Topic A: Konzepte für das Training von Modellen
- Topic B: Training von Modellen in Amazon SageMaker AI
- Topic C: Amazon SageMaker Autopilot
- Übung 3: Training eines Modells mit Amazon SageMaker AI
- Module 7: Evaluierung und Abstimmung von Modellen des maschinellen Lernens (ML)
- Topic A: Evaluierung der Modellleistung
- Topic B: Techniken zur Reduzierung der Trainingszeit
- Topic C: Hyperparameter-Tuning-Techniken
- Übung 4: Modell-Tuning und Hyperparameter-Optimierung mit Amazon SageMaker AI
- Module 8: Modell-Einsatzstrategien
- Topic A: Einsatzüberlegungen und Zieloptionen
- Topic B: Einsatzstrategien
- Topic C: Container- und Instanztypen für Inferenz
- Übung 5: Verkehrsverlagerung A/B
Day 3
- Module 9: Sichern von AWS-Ressourcen für maschinelles Lernen (ML)
- Topic A: Zugriffskontrolle
- Topic B: Netzwerkzugriffskontrollen für ML-Ressourcen
- Topic C: Sicherheitsüberlegungen für CI/CD-Pipelines
- Module 10: Operationen für maschinelles Lernen (MLOps) und automatisierte Bereitstellung
- Topic A: Einführung in MLOps
- Topic B: Automatisiertes Testen in CI/CD-Pipelines
- Topic C: Kontinuierliche Bereitstellungsservices
- Übung 6: Verwenden von Amazon SageMaker Pipelines und der Amazon SageMaker Model Registry mit Amazon SageMaker Studio
- Module 11: Überwachen der Modellleistung und der Datenqualität
- Topic A: Erkennen von Drift in ML-Modellen
- Topic B: SageMaker Model Monitor
- Topic C: Überwachen der Datenqualität und der Modellqualität
- Topic D: Automatisierte Abhilfe und Fehlerbehebung
- Übung 7: Überwachung eines Modells auf Datendrift
- Module 12: Nachbereitung des Kurses
Die Kursunterlagen (E-Book) sind in englischer Sprache, die Kurssprache ist deutsch.
|
|
|
