Live-Online: The Machine Learning Pipeline on AWS

Die Teilnehmer:innen lernen die einzelnen Phasen der Pipeline durch Präsentationen und Demonstrationen der Trainer:innen kennen und wenden dieses Wissen an, um ein Projekt zur Lösung eines von drei Geschäftsproblemen zu implementieren: Betrugserkennung, Empfehlungsmaschinen oder Flugverspätungen.
Am Ende des Kurses werden die Teilnehmer:innen erfolgreich ein ML-Modell mit Amazon SageMaker erstellt, trainiert, evaluiert, abgestimmt und bereitgestellt haben, das das von ihnen gewählte Geschäftsproblem löst.

Tag 1 

Modul 0: Einführung

Pre-Assessment

Modul 1: Einführung in maschinelles Lernen und die ML-Pipeline

• Überblick über maschinelles Lernen, einschließlich Anwendungsfälle, Arten des maschinellen Lernens und Schlüsselkonzepte
• Überblick über die ML-Pipeline
• Einführung in Kursprojekte und Vorgehensweise

Modul 2: Einführung in Amazon SageMaker

• Einführung in Amazon SageMaker
• Demo: Amazon SageMaker und Jupyter-Notebooks
• Hands-on: Amazon SageMaker und Jupyter-Notebooks

Modul 3: Problemformulierung

• Überblick über die Problemformulierung und die Entscheidung, ob ML die richtige Lösung ist
• Umwandlung eines Geschäftsproblems in ein ML-Problem
• Demo: Amazon SageMaker Ground Truth
• Hands-on: Amazon SageMaker Ground Truth
• Problemformulierung üben
• Probleme für Projekte formulieren

Tag 2

Kontrollpunkt 1 und Überprüfung der Antworten

Modul 4: Vorverarbeitung

• Überblick über Datensammlung und -integration sowie Techniken zur Datenvorverarbeitung und -visualisierung
• Vorverarbeitung üben
• Projektdaten vorverarbeiten
• Klassendiskussion über Projekte

Tag 3
Kontrollpunkt 2 und Überprüfung der Antworten

Modul 5: Modell-Training

• Auswahl des richtigen Algorithmus
• Formatieren und Aufteilen deiner Daten für das Training
• Verlustfunktionen und Gradientenverfahren zur Verbesserung deines Modells
• Demo: Einen Training Job in Amazon SageMaker erstellen

Modul 6: Modell-Bewertung

• Wie man Klassifikations-Modelle auswertet
• Wie man Regressions-Modelle auswertet
• Praxismodell-Training und -Bewertung
• Projektmodelle trainieren und auswerten
• Erste Projektpräsentationen

Tag 4 
Kontrollpunkt 3 und Überprüfung der Antworten

Modul 7: Feature Engineering und Modell-Tuning

• Feature-Extraktion, -Auswahl, -Erstellung und -Transformation
• Hyperparameter-Tuning
• Demo: SageMaker-Hyperparameter-Optimierung
• Feature Engineering und Modell-Tuning üben
• Anwenden von Feature Engineering und Modell-Tuning auf Projekte
• Abschließende Projektpräsentationen

Modul 8: Einsatz

• Wie du dein Modell auf Amazon SageMaker bereitstellen, ableiten und überwachen
• Edge-Einsatz von ML
• Demo: Erstellen eines Amazon SageMaker-Endpunkts
• Post-Assessment
• Nachbereitung des Kurses

• Auswahl und Begründung des geeigneten ML-Ansatzes für ein gegebenes Geschäftsproblem
• Verwendung der ML-Pipeline zur Lösung eines bestimmten Geschäftsproblems
• Training, Bewertung, Bereitstellung und Tuning eines ML-Modells in Amazon SageMaker
• Beschreibung einiger der Best Practices für den Entwurf skalierbarer, kostenoptimierter und sicherer ML-Pipelines in AWS
• Anwendung des maschinellen Lernens auf ein real existierendes Geschäftsproblem nach Abschluss des Kurses

Dieser Kurs richtet sich an folgende Jobrollen:

• Machine Learning & AI

Wir empfehlen, dass die Teilnehmer:innen dieses Kurses die folgenden Voraussetzungen mitbringen:

• 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