AWS-ML: Machine Learning Pipeline on AWS
Beschreibung
Beschreibung:
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.
Kursziele
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
Kursziele:
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
Kursinhalt
Inhalte:
- 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
Weitere Infos
Beginn:
Am ersten Kurstag um 10.00 Uhr: Ca. 15 Minuten sind vor Kursbeginn für die Registrierung vorgesehen. An den nachfolgenden Tagen sind die Kurszeiten von 9.00 - 17.00 Uhr.
Kurssprache: Deutsch
Enthaltene Leistungen:
Schulungsunterlagen
Teilnahmezertifikat
Getränke (Kalte und Warme)
Obst und Snacks
Mittagessen
Kursdetails
| Startdatum | 07.11.2022 - 09:00 |
| Enddatum | 10.11.2022 - 17:00 |
| Anmeldungsende | 04.11.2022 - 09:00 |
| Netto Einzelpreis | € 2.795,00 |
| Speaker | Deutsch |
| Number Hours | 09:00-17:00 |
| Kurs-Nr. | AWS-ML |
| Ort | Köln |