| Kursbeschreibung (description): |
Teilnehmende erhalten eine praxisnahe Einführung in den Entwicklungsprozess von Machine-Learning-Lösungen mit Amazon SageMaker. Vermittelt werden die Schritte zur Erstellung, zum Training und zur Bereitstellung eines ML-Modells. Behandelt wird der Arbeitsalltag eines Data Scientists, ergänzt durch instruktorgeführte Demonstrationen und praktische Übungen.
|
|
| Zielgruppe (target group): |
Dieser Kurs AW233 Practical Data Science with Amazon SageMaker richtet sich an:
- DevOps-Engineers
- Applikationsentwickler
|
|
| Voraussetzungen (requirements): |
Um an dem Kurs AW233 Practical Data Science with Amazon SageMaker bei qSkills teilnehmen zu können, sollten Sie folgende Voraussetzungen erfüllen:
- Den Kurs AW110 AWS Technical Essentials abgeschlossen haben
- Grundkenntnisse in der Python-Programmierung besitzen
- Grundkenntnisse in Statistik mitbringen
|
|
| Ziele (objectives): |
In diesem Kurs AW233 Practical Data Science with Amazon SageMaker lernen Sie:
- Die Vorteile verschiedener Arten von Machine Learning zur Lösung geschäftlicher Probleme zu erörtern
- Die typischen Prozesse, Rollen und Verantwortlichkeiten in einem Team zu beschreiben, das ML-Systeme entwickelt und bereitstellt
- Zu erklären, wie Data Scientists AWS-Tools und ML einsetzen, um ein gängiges Geschäftsproblem zu lösen
- Die Schritte zusammenzufassen, die ein Data Scientist zur Datenaufbereitung unternimmt
- Die Schritte zusammenzufassen, die ein Data Scientist zur Modellierung und zum Training eines ML-Modells durchführt
- Die Schritte zusammenzufassen, die ein Data Scientist zur Bewertung und Optimierung eines ML-Modells durchläuft
- Die Schritte zur Bereitstellung eines Modells an einem Endpoint und zur Generierung von Vorhersagen zusammenzufassen
- Die Herausforderungen bei der Operationalisierung von ML-Modellen zu beschreiben
- AWS-Tools ihrer jeweiligen ML-Funktion zuzuordnen
|
|
| Preis und Dauer (price and duration): |
Dauer (duration): 1 Tag
Preis (price): 750,- Euro zzgl. MwSt.
Eine Druckansicht dieses Workshops finden Sie hier.
|
|
| Termine (dates): |
Termine auf Anfrage.
Falls Sie einen Terminwunsch für diesen Workshop haben, werden wir dies gerne für Sie prüfen!
|
|
|
| Inhalte (agenda): |
- Einführung in Machine Learning
- Vorteile von Machine Learning (ML)
- Arten von ML-Ansätzen
- Formulierung des Geschäftsproblems
- Vorhersagequalität
- Prozesse, Rollen und Verantwortlichkeiten in ML-Projekten
- Vorbereitung eines Datasets
- Datenanalyse und -aufbereitung
- Tools zur Datenvorbereitung
- Demonstration: Überblick über Amazon SageMaker Studio und Notebooks
- Praktische Übung: Datenvorbereitung mit SageMaker Data Wrangler
- Training eines Modells
- Schritte zum Training eines Modells
- Auswahl eines Algorithmus
- Modelltraining in Amazon SageMaker
- Praktische Übung: Training eines Modells mit Amazon SageMaker
- Amazon CodeWhisperer
- Demonstration: Amazon CodeWhisperer in SageMaker Studio Notebooks
- Bewertung und Optimierung eines Modells
- Modellbewertung
- Modelloptimierung und Hyperparameter-Tuning
- Praktische Übung: Modell-Tuning und Hyperparameter-Optimierung mit Amazon SageMaker
- Bereitstellung eines Modells
- Modellbereitstellung
- Praktische Übung: Bereitstellung eines Modells an einem Echtzeit-Endpoint und Generierung einer Vorhersage
- Herausforderungen im Betrieb
- Verantwortungsvolles Machine Learning
- ML-Team und MLOps
- Automatisierung
- Monitoring
- Aktualisierung von Modellen (Modelltests und Bereitstellung)
- Weitere Tools zur Modellerstellung
- Verschiedene Tools für unterschiedliche Fähigkeiten und geschäftliche Anforderungen
- No-Code-ML mit Amazon SageMaker Canvas
- Demonstration: Überblick über Amazon SageMaker Canvas
- Amazon SageMaker Studio Lab
- Demonstration: Überblick über SageMaker Studio Lab
- (Optional) Praktische Übung: Integration einer Webanwendung mit einem Amazon-SageMaker-Modellendpoint
|
|
|
