Machine Learning Pipeline on AWS.

Projektbasierter Kurs zum Lösen von bestimmten Geschäftsproblemen mit geeigneten Machine Learning-Ansätzen.

Seminar

7 Termine verfügbar

Teilnahmebescheinigung

Präsenz / Virtual Classroom

32 Unterrichtseinheiten

Seminarnummer: 26028

Herstellernummer: AWS-ML

In diesem viertägigen AWS Machine Learning-Seminar lernen Sie, wie Sie Ihre Geschäftsprobleme als ML-Probleme definieren und mit Amazon SageMaker ML-Modelle bewerten, optimieren und bereitstellen. Der Kurs forciert vor allem praktische Übungen und Projekte, mithilfe derer Sie das Gelernte direkt anwenden.

Nutzen

Details anzeigen

Dieser Kurs verfolgt folgende Lernziele:

Wählen und Begründen von geeigneten ML-Ansätzen für bestimmte Geschäftsprobleme
Verwendung von ML-Pipeline, um ein bestimmtes Geschäftsproblem zu lösen
Trainieren, Bewerten, Bereitstellen und Optimieren eines ML-Modells in Amazon SageMaker
Beschreiben von Best Practices für das Entwerfen skalierbarer, kostenoptimierter und sicherer ML-Pipelines in AWS
Anwenden von maschinellem Lernen auf ein reales Geschäftsproblem

Zielgruppe

Dieser Kurs ist konzipiert für:

Entwickler
Lösungsarchitekten
Dateningenieure
Jeden, der mehr über Amazon SageMaker und die ML-Pipeline erfahren möchte

Voraussetzungen

Wir empfehlen den Teilnehmern dieses Kurses, sich vorab mit folgenden Bereichen beschäftigt zu haben:

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

Inhalte des Seminars

Details anzeigen

Overview of machine learning, including use cases, types of machine learning, and key concepts
Overview of the ML pipeline
Introduction to course projects and approach

Introduction to Amazon SageMaker
Demo: Amazon SageMaker and Jupyter notebooks
Hands-on: Amazon SageMaker and Jupyter notebooks

Overview of problem formulation and deciding if ML is the right solution
Converting a business problem into an ML problem
Demo: Amazon SageMaker Ground Truth
Hands-on: Amazon SageMaker Ground Truth

Practice problem formulation
Formulate problems for projects

Overview of data collection and integration, and techniques for data preprocessing and visualization
Practice preprocessing
Preprocess project data and discuss project progress

Choosing the right algorithm
Formatting and splitting your data for training
Loss functions and gradient descent for improving your model
Demo: Create a training job in Amazon SageMaker

How to evaluate classification models
How to evaluate regression models
Practice model training and evaluation
Train and evaluate project models, then present findings

Feature extraction, selection, creation, and transformation
Hyperparameter tuning
Demo: SageMaker hyperparameter optimization
Practice feature engineering and model tuning
Apply feature engineering and model tuning to projects
Final project presentations

How to deploy, interfere, and monitor your model on Amazon SageMaker
Deploying ML at the edge
Demo: Creating an Amazon SageMaker endpoint

Terminauswahl