The Machine Learning Pipeline on AWS

4 Tage

Deutsch

In Kooperation mit

Dieser Kurs bereitet dich auf die Zertifizierung 'AWS Certified Machine Learning (Specialty Level)' vor. Du lernst, die Pipeline für maschinelles Lernen (ML) zu verwenden, um ein reales Geschäftsproblem in einer projektbasierten Lernumgebung zu lösen.

Inhalte

Die Teilnehmer:innen lernen die einzelnen Phasen der Pipeline durch Präsentationen und Demonstrationen der Trainer:innen kennen und wenden dieses Wissen an, um ein Projekt zur Lösung eines von drei Geschäftsproblemen zu implementieren: Betrugserkennung, Empfehlungsmaschinen oder Flugverspätungen.
Am Ende des Kurses werden die Teilnehmer:innen erfolgreich ein ML-Modell mit Amazon SageMaker erstellt, trainiert, evaluiert, abgestimmt und bereitgestellt haben, das das von ihnen gewählte Geschäftsproblem löst.

Tag 1

Modul 0: Einführung

Pre-Assessment

Modul 1: Einführung in maschinelles Lernen und die ML-Pipeline

Überblick über maschinelles Lernen, einschließlich Anwendungsfälle, Arten des maschinellen Lernens und Schlüsselkonzepte
Überblick über die ML-Pipeline
Einführung in Kursprojekte und Vorgehensweise

Modul 2: Einführung in Amazon SageMaker

Einführung in Amazon SageMaker
Demo: Amazon SageMaker und Jupyter-Notebooks
Hands-on: Amazon SageMaker und Jupyter-Notebooks

Modul 3: Problemformulierung

Überblick über die Problemformulierung und die Entscheidung, ob ML die richtige Lösung ist
Umwandlung eines Geschäftsproblems in ein ML-Problem
Demo: Amazon SageMaker Ground Truth
Hands-on: Amazon SageMaker Ground Truth
Problemformulierung üben
Probleme für Projekte formulieren

Tag 2

Kontrollpunkt 1 und Überprüfung der Antworten

Modul 4: Vorverarbeitung

Überblick über Datensammlung und -integration sowie Techniken zur Datenvorverarbeitung und -visualisierung
Vorverarbeitung üben
Projektdaten vorverarbeiten
Klassendiskussion über Projekte

Tag 3
Kontrollpunkt 2 und Überprüfung der Antworten

Modul 5: Modell-Training

Auswahl des richtigen Algorithmus
Formatieren und Aufteilen deiner Daten für das Training
Verlustfunktionen und Gradientenverfahren zur Verbesserung deines Modells
Demo: Einen Training Job in Amazon SageMaker erstellen

Modul 6: Modell-Bewertung

Wie man Klassifikations-Modelle auswertet
Wie man Regressions-Modelle auswertet
Praxismodell-Training und -Bewertung
Projektmodelle trainieren und auswerten
Erste Projektpräsentationen

Tag 4
Kontrollpunkt 3 und Überprüfung der Antworten

Modul 7: Feature Engineering und Modell-Tuning

Feature-Extraktion, -Auswahl, -Erstellung und -Transformation
Hyperparameter-Tuning
Demo: SageMaker-Hyperparameter-Optimierung
Feature Engineering und Modell-Tuning üben
Anwenden von Feature Engineering und Modell-Tuning auf Projekte
Abschließende Projektpräsentationen

Modul 8: Einsatz

Wie du dein Modell auf Amazon SageMaker bereitstellen, ableiten und überwachen
Edge-Einsatz von ML
Demo: Erstellen eines Amazon SageMaker-Endpunkts
Post-Assessment
Nachbereitung des Kurses

Dein Nutzen

Auswahl und Begründung des geeigneten ML-Ansatzes für ein gegebenes Geschäftsproblem
Verwendung der ML-Pipeline zur Lösung eines bestimmten Geschäftsproblems
Training, Bewertung, Bereitstellung und Tuning eines ML-Modells in Amazon SageMaker
Beschreibung einiger der Best Practices für den Entwurf skalierbarer, kostenoptimierter und sicherer ML-Pipelines in AWS
Anwendung des maschinellen Lernens auf ein real existierendes Geschäftsproblem nach Abschluss des Kurses

Trainer:in

Milo Fels

Methoden

Teilnehmer:innenkreis

Dieser Kurs richtet sich an folgende Jobrollen:

Machine Learning & AI

Wir empfehlen, dass die Teilnehmer:innen dieses Kurses die folgenden Voraussetzungen mitbringen:

Grundkenntnisse der Programmiersprache Python
Grundlegendes Verständnis der AWS-Cloud-Infrastruktur (Amazon S3 und Amazon CloudWatch)
Grundlegende Erfahrung mit der Arbeit in einer Jupyter-Notebook-Umgebung