The Machine Learning Pipeline on AWS

Einführung in Machine Learning und die ML Pipeline

• Überblick über maschinelles Lernen
• Arten des Machine Learning und Schlüsselkonzepte
• Überblick über die ML-Pipeline
• Einführung in die Kursprojekte und den Ansatz

Einführung in Amazon SageMaker

• Einführung in Amazon SageMaker
• Amazon SageMaker und Jupyter-Notebooks

Problemstellung

• Überblick über die Problemstellung und die Entscheidung, ob ML die richtige Lösung ist
• Umwandlung eines Geschäftsproblems in ein ML-Problem
• Amazon SageMaker Grundwahrheit
• Praktische Problemlösung
• Problemstellungen für Projekte definieren

Vorbereitung

• Überblick über die Datenerfassung und -integration sowie Techniken zur Datenvorbereitung und Visualisierung
• Praktische Vorbereitung
• Projektdaten vorbereiten
• Gruppendiskussion über Projekte

Modelltraining

• Auswahl des richtigen Algorithmus
• Formatierung und Aufteilung Ihrer Daten für das Training
• Verlustfunktionen und Gradientenabstieg zur Verbesserung Ihres Modells
• Erstellen eines Übungsauftrags in Amazon SageMaker

Modellauswertung

• Wie man Klassifikationsmodelle auswertet
• Wie man Regressionsmodelle auswertet
• Üben von Modelltraining und -bewertung
• Trainieren und Bewerten von Projektmodellen
• Erste Projektpräsentationen

Merkmalstechnik und Modellabstimmung

• Merkmalsextraktion, -auswahl, -erstellung und -umwandlung
• Abstimmung der Hyperparameter
• Üben von Feature-Engineering und Modellabstimmung
• Anwendung von Feature-Engineering und Modellabstimmung auf Projekte
• Abschließende Projektpräsentationen

Einsatz

• Wie Sie Ihr Modell auf Amazon SageMaker einsetzen, ableiten und überwachen
• Erstellen eines Amazon SageMaker-Endpunkts
• Einsatz von ML at the edge
• Post-Assessment

In dieser 4-tägigen Schulung "The Machine Learning Pipeline on AWS" lernen Sie, wie Sie die iterative Prozesspipeline des maschinellen Lernens (ML) in einer projektbasierten Lernumgebung nutzen können, um ein reales Geschäftsproblem zu lösen. Der Kurs behandelt die einzelnen Phasen der Prozesspipeline anhand von Präsentationen und Demonstrationen des Kursleiters. Anschließend wenden Sie dieses Wissen an, um ein Projekt zur Lösung eines von drei Geschäftsproblemen durchzuführen: Betrugserkennung, Empfehlungsmodule oder Flugverspätungen. Am Ende des Kurses werden Sie erfolgreich ein ML-Modell mit Amazon SageMaker erstellt, geschult, bewertet, abgestimmt und bereitgestellt haben, das das von Ihnen gewählte Geschäftsproblem löst.

Dieser Kurs ist für Teilnehmer mit wenig bis gar keinen Erfahrungen oder Kenntnissen im Bereich maschinelles Lernen geeignet und bietet die Möglichkeit, einen geeigneten ML-Ansatz für ein bestimmtes Geschäftsproblem auszuwählen und zu begründen. Sie lernen, wie Sie die ML Pipeline verwenden, um ein spezifisches Geschäftsproblem zu lösen, und erhalten Best Practices für den Entwurf skalierbarer, kostenoptimierter und sicherer ML-Pipelines in AWS.

Insgesamt werden Sie in diesem Kurs die praktische Anwendung von Machine Learning auf ein reales Geschäftsproblem erlernen und dadurch wertvolle Fähigkeiten in diesem aufstrebenden Bereich entwickeln.

Für eine optimale Teilnahme am Kurs empfehlen wir folgende Vorkenntnisse:

• Grundkenntnisse der Programmiersprache Python
• Grundlegendes Verständnis der AWS-Cloud-Infrastruktur (Amazon S3 und Amazon CloudWatch)
• Grundlegende Erfahrung mit der Arbeit in einer Jupyter-Notebook-Umgebung

Die Schulung bietet Ihnen eine ausgewogene Mischung aus Theorie und Praxis in einer erstklassigen Lernumgebung. Profitieren Sie vom direkten Austausch mit unseren projekterfahrenen Trainern und anderen Teilnehmern, um Ihren Lernerfolg zu maximieren.

• Entwickler
• Lösungsarchitekten
• Daten-Ingenieure
• Alle Interessierten, die wenig bis keine Erfahrung mit ML haben und die ML-Pipeline mit Amazon SageMaker kennenlernen möchten