AWS - Machine Learning Pipeline on AWS

Die Teilnehmer lernen die einzelnen Phasen der Pipeline anhand von Präsentationen und Demonstrationen des Kursleiters kennen und wenden dieses Wissen dann an, um ein Projekt zur Lösung eines von drei Geschäftsproblemen durchzuführen: Betrugserkennung, Produktempfehlung oder Flugverspätungen. Am Ende des Kurses werden die Teilnehmer erfolgreich ein ML-Modell mit Amazon SageMaker erstellen, trainieren, evaluieren, abstimmen und bereitstellen, passend zu der von Ihnen ausgewählten Geschäftsanforderung.

In diesem Kurs wird untersucht, wie die Pipeline für maschinelles Lernen (ML) zur Lösung eines realen Geschäftsproblems in einer projektbasierten Lernumgebung eingesetzt werden kann.

Folgende Themen werden in diesem Kurs fokussiert:

- Den geeigneten ML-Ansatz für ein bestimmtes Geschäftsproblem auszuwählen und zu begründen.

- Die Verwendung der ML-Pipeline zur Lösung einer bestimmten Geschäftsanforderung.

- Trainieren, Bewerten, Bereitstellen und Abstimmen eines ML-Modells mit Amazon SageMaker.

- Beschreiben der besten Praktiken für den Entwurf skalierbarer, kostenoptimierter und sicherer ML-Pipelines in AWS.

- Anwendung des maschinellen Lernens auf eine reales Geschäftsanforderung nach Abschluss des Kurses.

Hinweis:

Kurssprache ist Deutsch, die Unterlagen sind in englischer Sprache (teilweise in digitaler Form).

Dieses Seminar führen wir in Kooperation mit der Fast Lane GmbH AWS Training Partner (ATP) durch.

• Module 0: Introduction
• - Pre-assessment
• Module 1: Introduction to Machine Learning and the ML Pipeline
• - 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
• Module 2: Introduction to Amazon SageMaker
• - Introduction to Amazon SageMaker
• - Demo: Amazon SageMaker and Jupyter notebooks
• - Hands-on: Amazon SageMaker and Jupyter notebooks
• Module 3: Problem Formulation
• - 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
• Module 4: Preprocessing
• - Overview of data collection and integration, and techniques for data preprocessing and visualization
• - Practice preprocessing
• - Preprocess project data
• - Class discussion about projects
• Module 5: Model Training
• - 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
• Module 6: Model Evaluation
• - How to evaluate classification models
• - How to evaluate regression models
• - Practice model training and evaluation
• - Train and evaluate project models
• - Initial project presentations
• Module 7: Feature Engineering and Model Tuning
• - 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
• Module 8: Deployment
• - How to deploy, inference, and monitor your model on Amazon SageMaker
• - Deploying ML at the edge
• - Demo: Creating an Amazon SageMaker endpoint
• - Post-assessment
• - Course wrap-up