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
