Amazon SageMaker Studio for Data Scientists

Tag 1: Einführung und Datenverarbeitung

Amazon SageMaker Studio Setup

• Überblick und Einrichtung von SageMaker Studio
• Demonstration: Benutzeroberfläche von SageMaker Studio

Data Processing

• Nutzung von SageMaker Data Wrangler für die Datenvorbereitung
  • Hands-On Lab: Analyse und Datenvorbereitung mit Data Wrangler
• Skalierbare Datenverarbeitung mit Amazon EMR
  • Hands-On Lab: Analyse und Skalierung mit EMR
• Einsatz von AWS Glue Interactive Sessions
• Datenverarbeitung mit SageMaker Processing und benutzerdefinierten Skripten
  • Hands-On Lab: Datenverarbeitung mit SageMaker Processing

Tag 2: Feature Engineering und Modellentwicklung

Python SDK und Feature Engineering

• Nutzung des SageMaker Feature Store
  • Hands-On Lab: Feature-Engineering mit SageMaker Feature Store

Model Development

• Training mit SageMaker:
  • Eingebaute Algorithmen
  • Eigene Skripte und Container
• Nutzung von SageMaker Experiments
  • Hands-On Lab: Modelltraining und -tuning mit SageMaker Experiments
• Debugging mit SageMaker Debugger
  • Hands-On Lab: Fehleranalyse und Alarme mit SageMaker Debugger
• Automatische Modelloptimierung
• Einführung in SageMaker Autopilot (Automated ML)
  • Demonstration: Automatisiertes ML mit SageMaker Autopilot
• Bias-Erkennung und Erklärbarkeit mit SageMaker Clarify
  • Hands-On Lab: Bias-Analyse mit SageMaker Clarify
• Einführung in SageMaker Jumpstart

Tag 3: Bereitstellung, Überwachung und Herausforderungen

Deployment and Inference

• Verwendung von SageMaker Model Registry und Pipelines
  • Hands-On Lab: Deployment mit SageMaker Pipelines und Model Registry
• Modellinferenz und -skalierung
  • Hands-On Lab: Inferenz mit SageMaker Studio

Monitoring

• Einsatz von Amazon SageMaker Model Monitor
  • Diskussion: Fallstudie und Demonstration

Resource Management und Abschluss

• Kostenmanagement und Systemaktualisierungen
• Capstone-Projekt:
  • Datenvorbereitung, Feature-Erstellung, Training und Tuning
  • Bias-Analyse und Batch-Vorhersagen
  • (Optional) Automatisierung der Entwicklung mit SageMaker Pipelines

Für eine erfolgreiche Teilnahme empfehlen wir:

• Erfahrung mit ML-Frameworks
• Python-Programmierung
• Mindestens 1 Jahr Berufserfahrung als Data Scientist
• Teilnahme am Seminar AWS Technical Essentials

• Data Scientists