Live-Online: Practical Data Science with Amazon SageMaker

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

• 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.

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