AW235: Machine Learning Engineering on AWS™

Agenda:

• Einführung in den Kurs

• Einführung in Machine Learning (ML) auf AWS™

  • Einführung in ML

  • Amazon SageMaker AI

  • Verantwortungsvolles ML

• Analyse von Herausforderungen im Bereich Machine Learning (ML)

  • Bewertung geschäftlicher ML-Herausforderungen

  • Trainingsansätze im ML

  • Trainingsalgorithmen im ML

• Datenverarbeitung für Machine Learning (ML)

  • Datenaufbereitung und Datentypen

  • Explorative Datenanalyse

  • AWS™ Storage-Optionen und Auswahl

• Datentransformation und Feature Engineering

  • Umgang mit fehlerhaften, doppelten und fehlenden Daten

  • Konzepte des Feature Engineerings

  • Techniken zur Feature-Auswahl

  • AWS™-Services zur Datentransformation

• Lab 1: Analyse und Aufbereitung von Daten mit Amazon SageMaker Data Wrangler und Amazon EMR

• Lab 2: Datenverarbeitung mit SageMaker Processing und dem SageMaker Python SDK

• Auswahl eines Modellierungsansatzes

  • Eingebaute Algorithmen von Amazon SageMaker AI

  • Amazon SageMaker Autopilot

  • Auswahl eingebaute Trainingsalgorithmen

  • Überlegungen zur Modellauswahl

  • Kostenaspekte im ML

• Training von Machine-Learning-(ML)-Modellen

  • Konzepte des Modelltrainings

  • Modelltraining mit Amazon SageMaker AI

• Lab 3: Training eines Modells mit Amazon SageMaker AI

• Bewertung und Optimierung von ML-Modellen

  • Bewertung der Modellleistung

  • Techniken zur Reduzierung der Trainingszeit

  • Techniken zur Hyperparameter-Optimierung

• Lab 4: Modell-Tuning und Hyperparameter-Optimierung mit Amazon SageMaker AI

• Strategien zur Modellbereitstellung

  • Bereitstellungsüberlegungen und Zieloptionen

  • Bereitstellungsstrategien

  • Auswahl einer Inferenzstrategie

  • Container- und Instanztypen für Inferenz

• Lab 5: Traffic Shifting

• Absicherung von AWS™-Machine-Learning-(ML)-Ressourcen

  • Zugriffskontrolle

  • Netzwerkkontrollen für ML-Ressourcen

  • Sicherheitsüberlegungen für CI/CD-Pipelines

• Machine Learning Operations (MLOps) und automatisierte Bereitstellung

  • Einführung in MLOps

  • Automatisiertes Testen in CI/CD-Pipelines

  • Continuous-Delivery-Services

• Lab 6: Nutzung von Amazon SageMaker Pipelines und dem Amazon SageMaker Model Registry mit Amazon SageMaker Studio

• Überwachung der Modellleistung und Datenqualität

  • Erkennung von Datenabweichungen in ML-Modellen

  • SageMaker Model Monitor

  • Überwachung von Daten- und Modellqualität

  • Automatisierte Fehlerbehebung und Troubleshooting

• Lab 7: Überwachung eines Modells auf Datenabweichungen

• Kursabschluss

Ziele:

In diesem Kurs AW235 Machine Learning Engineering on AWS™ lernen Sie:

• Grundlagen von ML und deren Anwendungsfälle in der AWS™ Cloud zu erläutern

• Daten mithilfe von AWS™-Services für ML-Aufgaben zu verarbeiten, zu transformieren und aufzubereiten

• Geeignete ML-Algorithmen und Modellierungsansätze anhand der Problemstellung und Modellinterpretierbarkeit auszuwählen

• Skalierbare ML-Pipelines mit AWS™-Services für das Modelltraining, die Bereitstellung und Orchestrierung zu entwerfen und umzusetzen

• Automatisierte Continuous-Integration- und Delivery-(CI/CD)-Pipelines für ML-Workflows zu erstellen

• Geeignete Sicherheitsmaßnahmen für ML-Ressourcen auf AWS™ zu besprechen

• Strategien zur Überwachung von bereitgestellten ML-Modellen umzusetzen, einschließlich Techniken zur Erkennung von Datenabweichungen

Zielgruppe:

Dieser Kurs AW235 Machine Learning Engineering on AWS™ richtet sich an:

• DevOps Engineers

• Developer

• SysOps Engineers

• ML-Engineers

• ML-Profis, die an der Erstellung, Bereitstellung und Operationalisierung von Modellen für maschinelles Lernen in AWS™ interessiert sind.

Voraussetzungen:

Um an dem Kurs AW235 Machine Learning Engineering on AWS™ bei qSkills™ teilnehmen zu können, sollten Sie folgende Voraussetzungen erfüllen:

• Vertrautheit mit grundlegenden Konzepten des Machine Learnings

• Praktische Kenntnisse in der Programmiersprache Python sowie gängiger Data-Science-Bibliotheken wie NumPy, Pandas und Scikit-learn

• Grundverständnis von Cloud-Computing-Konzepten und Vertrautheit mit AWS™

• Erfahrung mit Versionskontrollsystemen wie Git (vorteilhaft, aber nicht erforderlich)

Beschreibung:

Sonstiges: