Machine Learning Engineering on AWS (MLEA)

Kursinhalt

• Einführung in den Kurs
• Einführung in maschinelles Lernen (ML) auf AWS
• Analyse der Herausforderungen des maschinellen Lernens (ML)
• Datenverarbeitung für maschinelles Lernen (ML)
• Datenumwandlung und Feature Engineering
• Auswahl eines Modellierungsansatzes
• Training von Modellen für maschinelles Lernen (ML)
• Bewertung und Abstimmung von Modellen des maschinellen Lernens (ML)
• Strategien für den Einsatz von Modellen
• Sichern von AWS-Ressourcen für maschinelles Lernen (ML)
• Operationen für maschinelles Lernen (MLOps) und automatisierte Bereitstellung
• Überwachung von Modellleistung und Datenqualität
• Nachbereitung des Kurses

Voraussetzungen

Wir empfehlen, dass die Teilnehmer dieses Kurses die folgenden Voraussetzungen erfüllen:

• Vertrautheit mit grundlegenden Konzepten des maschinellen Lernens
• Kenntnisse der Programmiersprache Python und gängiger Data-Science-Bibliotheken wie NumPy, Pandas und Scikit-learn
• Grundlegendes Verständnis von Cloud-Computing-Konzepten und Vertrautheit mit AWS
• Erfahrung mit Versionskontrollsystemen wie Git (von Vorteil, aber nicht erforderlich)

Zielgruppe

Dieser Kurs richtet sich an Fachleute, die an der Erstellung, Bereitstellung und Operationalisierung von Modellen für maschinelles Lernen in AWS interessiert sind. Dazu können aktuelle und in der Ausbildung befindliche Ingenieure für maschinelles Lernen gehören, die möglicherweise nur wenig Erfahrung mit AWS haben. Andere Rollen, die von dieser Schulung profitieren können, sind DevOps-Ingenieur, Entwickler und SysOps-Ingenieur.

Detaillierter Kursinhalt

Modul 0: Kurseinführung

Modul 1: Einführung in maschinelles Lernen (ML) auf AWS

• Thema A: Einführung in ML
• Thema B: Amazon SageMaker AI
• Thema C: Verantwortungsvolle ML

Modul 2: Analyse der Herausforderungen des maschinellen Lernens (ML)

• Thema A: Bewertung von ML-Geschäftsherausforderungen
• Thema B: ML-Trainingsansätze
• Thema C: ML-Trainingsalgorithmen

Modul 3: Datenverarbeitung für maschinelles Lernen (ML)

• Thema A: Datenaufbereitung und Datentypen
• Thema B: Explorative Datenanalyse
• Thema C: AWS-Speicheroptionen und Auswahl des Speichers

Modul 4: Datenumwandlung und Feature Engineering

• Thema A: Umgang mit falschen, doppelten und fehlenden Daten
• Thema B: Konzepte der Merkmalstechnik
• Thema C: Techniken der Merkmalsauswahl
• Thema D: AWS-Datenumwandlungsdienste
• Übung 1: Analysieren und Aufbereiten von Daten mit Amazon SageMaker Data Wrangler und Amazon EMR
• Übung 2: Datenverarbeitung mit SageMaker Processing und dem SageMaker Python SDK

Modul 5: Auswahl eines Modellierungsansatzes

• Thema A: Integrierte Algorithmen von Amazon SageMaker AI
• Thema B: Amazon SageMaker Autopilot
• Thema C: Auswahl von integrierten Trainingsalgorithmen
• Thema D: Überlegungen zur Modellauswahl
• Thema E: ML-Kostenüberlegungen

Modul 6: Training von Modellen für maschinelles Lernen (ML)

• Thema A: Konzepte für die Modellausbildung
• Thema B: Training von Modellen in Amazon SageMaker AI
• Übung 3: Training eines Modells mit Amazon SageMaker AI

Modul 7: Bewertung und Abstimmung von Modellen des maschinellen Lernens (ML)

• Thema A: Bewertung der Modellleistung
• Thema B: Techniken zur Verkürzung der Ausbildungszeit
• Thema C: Techniken zur Abstimmung der Hyperparameter
• Übung 4: Modellabstimmung und Hyperparameter-Optimierung mit Amazon SageMaker AI

Modul 8: Strategien für den Einsatz von Modellen

• Thema A: Überlegungen zum Einsatz und Zieloptionen
• Thema B: Bereitstellungsstrategien
• Thema C: Auswahl einer Modellinferenzstrategie
• Thema D: Container- und Instanztypen für die Inferenz
• Übung 5: Verkehrsverlagerung

Modul 9: Sichern von AWS-Ressourcen für maschinelles Lernen (ML)

• Thema A: Zugangskontrolle
• Thema B: Netzwerkzugangskontrollen für ML-Ressourcen
• Thema C: Sicherheitsüberlegungen für CI/CD-Pipelines

Modul 10: Operationen für maschinelles Lernen (MLOps) und automatisierte Bereitstellung

• Thema A: Einführung in MLOps
• Thema B: Automatisierung von Tests in CI/CD-Pipelines
• Thema C: Kontinuierliche Lieferdienste
• Übung 6: Verwendung von Amazon SageMaker Pipelines und der Amazon SageMaker Model Registry mit Amazon SageMaker Studio

Modul 11: Überwachung der Modellleistung und Datenqualität

• Thema A: Erkennung von Drift in ML-Modellen
• Thema B: SageMaker Model Monitor
• Thema C: Überwachung von Datenqualität und Modellqualität
• Thema D: Automatisierte Abhilfemaßnahmen und Fehlerbehebung
• Übung 7: Überwachung eines Modells auf Datendrift

Modul 12: Nachbereitung des Kurses