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:

• 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:

• 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:

• 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: