pds-it
['Produktdetailseite','nein']
Amazon Web Services / AWS Machine Learning & AI
Die Illustrationen sind in Kooperation von Menschen und künstlicher Intelligenz entstanden. Sie zeigen eine Zukunft, in der Technologie allgegenwärtig ist, aber der Mensch im Mittelpunkt bleibt.
KI-generierte Illustration

Practical Data Science with Amazon SageMaker

Online
1 Tag
Deutsch
PDF herunterladen
€ 730,–
zzgl. MwSt.
€ 868,70
inkl. MwSt.
Buchungsnummer
40975
Veranstaltungsort
Online
2 Termine
€ 730,–
zzgl. MwSt.
€ 868,70
inkl. MwSt.
Buchungsnummer
40975
Veranstaltungsort
Online
2 Termine
Werde zertifizierter
Machine Lerning Engineer
Dieser Kurs ist Bestandteil der zertifizierten Master Class "Machine Learning Engineer". Bei Buchung der gesamten Master Class sparst du über 15 Prozent im Vergleich zur Buchung dieses einzelnen Moduls.
Zur Master Class
Inhouse Training
Firmeninterne Weiterbildung nur für eure Mitarbeiter:innen - exklusiv und wirkungsvoll.
Anfragen
In Kooperation mit
Lerne einen Tag im Leben eines Datenwissenschaftlers/einer Datenwissenschaftlerin von einem/einer erfahrenen AWS-Dozenten/AWS-Dozentin kennen.
Inhalte

Künstliche Intelligenz und maschinelles Lernen (KI/ML) sind auf dem Vormarsch. In diesem Kurs wirst du einen Tag im Leben einer/eines Datenwissenschaftlers/Datenwissenschaftlerin verbringen, damit du effizient mit Datenwissenschaftler:innen zusammenarbeiten und Anwendungen erstellen können, die mit ML integriert werden. Du lernst den grundlegenden Prozess kennen, den Datenwissenschaftler:innen zur Entwicklung von ML-Lösungen auf Amazon Web Services (AWS) mit Amazon SageMaker verwenden. Du wirst die Schritte zum Erstellen, Trainieren und Bereitstellen eines ML-Modells anhand von Demonstrationen und Übungen unter Anleitung des Kursleiters erleben.

 

1. Einführung in das maschinelle Lernen

  • Vorteile des maschinellen Lernens (ML)
  • Arten von ML-Ansätzen
  • Rahmen für das Geschäftsproblem
  • Qualität der Vorhersage
  • Prozesse, Rollen und Verantwortlichkeiten für ML-Projekte

 

2. Vorbereiten eines Datensatzes

  • Datenanalyse und -aufbereitung
  • Werkzeuge zur Datenaufbereitung
  • Demonstration: Überprüfung von Amazon SageMaker Studio und Notebooks
  • Praktische Übung: Datenaufbereitung mit SageMaker Data Wrangler

 

3. Trainieren eines Modells

  • Schritte zum Trainieren eines Modells
  • Wählen eines Algorithmus
  • Trainieren des Modells in Amazon SageMaker
  • Praktische Übung: Trainieren eines Modells mit Amazon SageMaker
  • Amazon CodeWhisperer
  • Demonstration: Amazon CodeWhisperer in SageMaker Studio Notebooks

 

4. Evaluierung und Abstimmung eines Modells

  • Bewertung des Modells
  • Modellabstimmung und Hyperparameter-Optimierung
  • Praktische Übung: Modellabstimmung und Hyperparameter-Optimierung mit Amazon SageMaker

 

5. Einsetzen eines Modells

  • Modell-Einsatz
  • Praktische Übung: Bereitstellen eines Modells auf einem Echtzeit-Endpunkt und Generieren einer Vorhersage

 

6. Betriebliche Herausforderungen

  • Verantwortliches ML
  • ML-Team und MLOps
  • Automatisierung
  • Überwachung
  • Aktualisierung der Modelle (Modellprüfung und -bereitstellung)

 

7. Andere Werkzeuge für die Modellerstellung

  • Verschiedene Tools für unterschiedliche Fähigkeiten und Geschäftsanforderungen
  • Codefreies ML mit Amazon SageMaker Canvas
  • Demonstration: Überblick über Amazon SageMaker Canvas
  • Amazon SageMaker Studio Lab
  • Demonstration: Überblick über das SageMaker Studio Lab
  • (Optional) Praktische Übung: Integrieren einer Web-Anwendung mit einem Amazon SageMaker Model-Endpunkt
Dein Nutzen
  • Erörtern der Vorteile verschiedener Arten des maschinellen Lernens für die Lösung von Geschäftsproblemen.
  • Beschreiben der typischen Prozesse, Rollen und Verantwortlichkeiten in einem Team, das ML-Systeme entwickelt und einsetzt.
  • Erläutern, wie Datenwissenschaftler AWS-Tools und ML verwenden, um ein allgemeines Geschäftsproblem zu lösen.
  • Zusammenfassen der Schritte, die ein Datenwissenschaftler zur Vorbereitung von Daten unternimmt.
  • Zusammenfassen der Schritte, die ein Datenwissenschaftler zum Trainieren von ML-Modellen unternimmt.
  • Zusammenfassen der Schritte, die ein Datenwissenschaftler zum Bewerten und Abstimmen von ML-Modellen durchführt.
  • Zusammenfassen der Schritte zur Bereitstellung eines Modells an einem Endpunkt und zur Erstellung von Vorhersagen.
  • Beschreiben der Herausforderungen bei der Operationalisierung von ML-Modellen.
  • Abgleichen von AWS-Tools mit ihrer ML-Funktion.
Trainer:innen
Milo Fels
Methoden

Dieser Kurs ermöglicht es dir, neue Fähigkeiten zu erproben und dein Wissen durch eine Vielzahl praktischer Übungen auf dein Arbeitsumfeld anzuwenden.

Teilnehmer:innenkreis

Dieser Kurs richtet sich an Data-Science-Profis, Machine-Learning-Profis, Anwendungs-Entwickler:innen und DevOps-Ingenieur:innen sowie Systemarchitekt:innen.

Starttermine und Details

Lernform

Learning form

30.1.2025
Online
Plätze frei
Durchführung gesichert
Online
Plätze frei
Durchführung gesichert
10.3.2025
Online
Plätze frei
Durchführung gesichert
Online
Plätze frei
Durchführung gesichert

Das Training wird in Zusammenarbeit mit einem autorisierten Trainingspartner durchgeführt.

Dieser erhebt und verarbeitet Daten in eigener Verantwortung. Bitte nehme die entsprechende Datenschutzerklärung zur Kenntnis

Du hast Fragen zum Training?
Ruf uns an unter +49 761 595 33900 oder schreib uns auf service@haufe-akademie.de oder nutze das Kontaktformular.