Amazon SageMaker Studio for Data Scientists

Dieser Kurs umfasst Präsentationen, Demonstrationen, Diskussionen und Übungen. Am Ende des Kurses übst du die Erstellung eines durchgängigen ML-Projekts für tabellarische Daten mit SageMaker Studio und dem SageMaker Python SDK.

Modul 1: Amazon SageMaker – Einrichtung und Navigation

• Starten von SageMaker Studio aus dem AWS Service Catalog
• Navigieren in der SageMaker Studio-Benutzeroberfläche
• Demo 1: SageMaker UI Walkthrough
• Übung 1: SageMaker Studio aus dem AWS Service Catalog starten

Modul 2: Datenverarbeitung

• Verwenden von Amazon SageMaker Studio zum Sammeln, Bereinigen, Visualisieren, Analysieren und Transformieren von Daten
• Einen wiederholbaren Prozess für die Datenverarbeitung einrichten
• Verwendung von SageMaker, um zu überprüfen, ob die gesammelten Daten ML-fähig sind
• Erkenne Verzerrungen in den gesammelten Daten und schätze die Genauigkeit des Basismodells
• Übung 2: Daten mit SageMaker Data Wrangler analysieren und vorbereiten
• Übung 3: Analysieren und Aufbereiten von Daten im Maßstab mit Amazon EMR
• Übung 4: Datenverarbeitung mit SageMaker Processing und dem SageMaker Python SDK
• Übung 5: Feature Engineering mit dem SageMaker Feature Store

Modul 3: Modellentwicklung

• Verwendung von Amazon SageMaker Studio zum Entwickeln, Abstimmen und Bewerten eines ML-Modells anhand von Geschäftszielen und Best Practices für Fairness und Erklärbarkeit
• Feinabstimmung von ML-Modellen mithilfe der automatischen Hyperparameter-Optimierungsfunktion
• Verwende den SageMaker Debugger, um Probleme während der Modellentwicklung aufzudecken
• Demo 2: Autopilot
• Übung 6: Iterationen von Trainings- und Tuning-Modellen mit SageMaker-Experimenten verfolgen
• Übung 7: Mit dem SageMaker Debugger analysieren, erkennen und Warnungen einstellen
• Übung 8: Verzerrungen mithilfe von SageMaker Clarify erkennen

Modul 4: Einsatz und Inferenz

• Model Registry verwenden, um eine Modellgruppe zu erstellen, Modellversionen zu registrieren, anzuzeigen und zu verwalten, den Modellgenehmigungsstatus zu ändern und ein Modell einzusetzen
• Entwerfen und Implementieren einer Einsatzlösung, die die Anforderungen des Anwendungsfalls "Inferenz" erfüllt
• Erstellen, Automatisieren und Verwalten von End-to-End-ML-Workflows mit Amazon SageMaker Pipelines
• Übung 9: Inferenzierung mit SageMaker Studio
• Übung 10: Verwenden von SageMaker Pipelines und der SageMaker Model Registry mit SageMaker Studio

Modul 5: Überwachung

• Konfigurieren einer SageMaker Model Monitor-Lösung zur Erkennung von Problemen und zur Auslösung von Warnungen bei Änderungen der Datenqualität, der Modellqualität, des Bias Drifts und des Feature Attribution (Explainability) Drifts
• Erstellen eines Überwachungsplans mit einem vordefinierten Intervall
• Demo 3: Modellüberwachung

Modul 6: Verwalten von SageMaker-Studio-Ressourcen und -Updates

• Ressourcen auflisten, für die Gebühren anfallen
• Erinnern, wann Instanzen heruntergefahren werden müssen
• Erklären, wie Instanzen, Notebooks, Terminals und Kernel heruntergefahren werden
• Den Prozess zur Aktualisierung von SageMaker Studio verstehen

Capstone

Im Capstone-Lab werden die verschiedenen in diesem Kurs behandelten Funktionen von SageMaker Studio zusammengeführt. Die Teilnehmer:innen erhalten die Möglichkeit, ein Modell vorzubereiten, zu erstellen, zu trainieren und einzusetzen, wobei ein tabellarischer Datensatz verwendet wird, der in früheren Übungen nicht vorkam. Die Teilnehmer:innen können zwischen einer einfachen, einer mittleren und einer fortgeschrittenen Version der Anleitung wählen.

Capstone-Lab: Erstellen eines End-to-End Tabular Data ML-Projekts mit SageMaker Studio und dem SageMaker Python SDK