Practical Data Science with Amazon SageMaker
.svg)
.svg)
.svg)
Machine Lerning Engineer
Künstliche Intelligenz und maschinelles Lernen (KI/ML) sind auf dem Vormarsch. In diesem Kurs wirst du einen Tag im Leben einer/eines Datenwissenschaftlers/Datenwissenschaftlerin verbringen, damit du effizient mit Datenwissenschaftler:innen zusammenarbeiten und Anwendungen erstellen können, die mit ML integriert werden. Du lernst den grundlegenden Prozess kennen, den Datenwissenschaftler:innen zur Entwicklung von ML-Lösungen auf Amazon Web Services (AWS) mit Amazon SageMaker verwenden. Du wirst die Schritte zum Erstellen, Trainieren und Bereitstellen eines ML-Modells anhand von Demonstrationen und Übungen unter Anleitung des Kursleiters erleben.
1. Einführung in das maschinelle Lernen
- Vorteile des maschinellen Lernens (ML)
- Arten von ML-Ansätzen
- Rahmen für das Geschäftsproblem
- Qualität der Vorhersage
- Prozesse, Rollen und Verantwortlichkeiten für ML-Projekte
2. Vorbereiten eines Datensatzes
- Datenanalyse und -aufbereitung
- Werkzeuge zur Datenaufbereitung
- Demonstration: Überprüfung von Amazon SageMaker Studio und Notebooks
- Praktische Übung: Datenaufbereitung mit SageMaker Data Wrangler
3. Trainieren eines Modells
- Schritte zum Trainieren eines Modells
- Wählen eines Algorithmus
- Trainieren des Modells in Amazon SageMaker
- Praktische Übung: Trainieren eines Modells mit Amazon SageMaker
- Amazon CodeWhisperer
- Demonstration: Amazon CodeWhisperer in SageMaker Studio Notebooks
4. Evaluierung und Abstimmung eines Modells
- Bewertung des Modells
- Modellabstimmung und Hyperparameter-Optimierung
- Praktische Übung: Modellabstimmung und Hyperparameter-Optimierung mit Amazon SageMaker
5. Einsetzen eines Modells
- Modell-Einsatz
- Praktische Übung: Bereitstellen eines Modells auf einem Echtzeit-Endpunkt und Generieren einer Vorhersage
6. Betriebliche Herausforderungen
- Verantwortliches ML
- ML-Team und MLOps
- Automatisierung
- Überwachung
- Aktualisierung der Modelle (Modellprüfung und -bereitstellung)
7. Andere Werkzeuge für die Modellerstellung
- Verschiedene Tools für unterschiedliche Fähigkeiten und Geschäftsanforderungen
- Codefreies ML mit Amazon SageMaker Canvas
- Demonstration: Überblick über Amazon SageMaker Canvas
- Amazon SageMaker Studio Lab
- Demonstration: Überblick über das SageMaker Studio Lab
- (Optional) Praktische Übung: Integrieren einer Web-Anwendung mit einem Amazon SageMaker Model-Endpunkt
- Erörtern der Vorteile verschiedener Arten des maschinellen Lernens für die Lösung von Geschäftsproblemen.
- Beschreiben der typischen Prozesse, Rollen und Verantwortlichkeiten in einem Team, das ML-Systeme entwickelt und einsetzt.
- Erläutern, wie Datenwissenschaftler AWS-Tools und ML verwenden, um ein allgemeines Geschäftsproblem zu lösen.
- Zusammenfassen der Schritte, die ein Datenwissenschaftler zur Vorbereitung von Daten unternimmt.
- Zusammenfassen der Schritte, die ein Datenwissenschaftler zum Trainieren von ML-Modellen unternimmt.
- Zusammenfassen der Schritte, die ein Datenwissenschaftler zum Bewerten und Abstimmen von ML-Modellen durchführt.
- Zusammenfassen der Schritte zur Bereitstellung eines Modells an einem Endpunkt und zur Erstellung von Vorhersagen.
- Beschreiben der Herausforderungen bei der Operationalisierung von ML-Modellen.
- Abgleichen von AWS-Tools mit ihrer ML-Funktion.
Dieser Kurs ermöglicht es dir, neue Fähigkeiten zu erproben und dein Wissen durch eine Vielzahl praktischer Übungen auf dein Arbeitsumfeld anzuwenden.
Dieser Kurs richtet sich an Data-Science-Profis, Machine-Learning-Profis, Anwendungs-Entwickler:innen und DevOps-Ingenieur:innen sowie Systemarchitekt:innen.
.jpg)
.svg)
