MLOps Engineering on AWS (MLOE): MLOps-Aktionsplan für deine Organisation erstellen
Der Kurs MLOps Engineering on AWS (MLOE) baut auf der in der Softwareentwicklung vorherrschenden DevOps-Praxis auf und erweitert sie, um Modelle für maschinelles Lernen (ML) zu erstellen, zu trainieren und bereitzustellen. Die Bedeutung von Daten, Modellen und Code für erfolgreiche ML-Bereitstellungen wird vermittelt. Im Kurs wird der Einsatz von Tools, Automatisierung, Prozessen und Teamwork demonstriert, um die Herausforderungen zu bewältigen, die mit Übergaben zwischen Dateningenieuren, Datenwissenschaftlern, Softwareentwicklern und dem Betrieb verbunden sind. Die Verwendung von Werkzeugen und Prozessen zur Überwachung und Ergreifung von Maßnahmen wird diskutiert, wenn die Modellvorhersage in der Produktion von vereinbarten Leistungskennzahlen abweicht.
Der Dozent ermutigt die Teilnehmer dieses Kurses, einen MLOps-Aktionsplan für ihre Organisation durch tägliche Reflexion der Unterrichts- und Laborinhalte sowie durch Gespräche mit Kollegen und Dozenten zu erstellen.
Inhalte MLOps Engineering on AWS Seminar
Module 0: Welcome
Course introduction
Module 1: Introduction to MLOps
Machine learning operations
Goals of MLOps
Communication
From DevOps to MLOps
ML workflow
Scope
MLOps view of ML workflow
MLOps cases
Module 2: MLOps Development
Intro to build, train, and evaluate machine learning models
MLOps security
Automating
Apache Airflow
Kubernetes integration for MLOps
Amazon SageMaker for MLOps
Lab: Bring your own algorithm to an MLOps pipeline
Demonstration: Amazon SageMaker
Intro to build, train, and evaluate machine learning models
Lab: Code and serve your ML model with AWS CodeBuild
Activity: MLOps Action Plan Workbook
Module 3: MLOps Deployment
Introduction to deployment operations
Model packaging
Inference
Lab: Deploy your model to production
SageMaker production variants
Deployment strategies
Deploying to the edge
Lab: Conduct A/B testing
Activity: MLOps Action Plan Workbook
Module 4: Model Monitoring and Operations
Lab: Troubleshoot your pipeline
The importance of monitoring
Monitoring by design
Lab: Monitor your ML model
Human-in-the-loop
Amazon SageMaker Model Monitor
Demonstration: Amazon SageMaker Pipelines, Model Monitor, model registry, and Feature Store
Solving the Problem(s)
Activity: MLOps Action Plan Workbook
Module 5: Wrap-up
Course review
Activity: MLOps Action Plan Workbook
Wrap-up
Wir schulen auch bei dir vor Ort!
Diese MLOps Engineering on AWS Schulung führen wir auch bei dir im Unternehmen als individualisierte MLOps Engineering on AWS-Firmenschulung durch.
MLOps Engineering on AWS (MLOE) Zielgruppe: MLOps Engineering on AWS Seminar
Die Schulung MLOps Engineering on AWS (MLOE) richtet sich an:
DevOps Engineers
ML Engineers
Entwickler/Betriebe mit Verantwortung für die Operationalisierung von ML-Modellen
MLOps Engineering on AWS (MLOE) Voraussetzungen MLOps Engineering on AWS Seminar
Vor dem Besuch der Schulung MLOps Engineering on AWS (MLOE) empfehlen wir:
MLOps Engineering on AWS (MLOE): MLOps-Aktionsplan für deine Organisation erstellen
Der Kurs MLOps Engineering on AWS (MLOE) baut auf der in der Softwareentwicklung vorherrschenden DevOps-Praxis auf und erweitert sie, um Modelle für maschinelles Lernen (ML) zu erstellen, zu trainieren und bereitzustellen. Die Bedeutung von Daten, Modellen und Code für erfolgreiche ML-Bereitstellungen wird vermittelt. Im Kurs wird der Einsatz von Tools, Automatisierung, Prozessen und Teamwork demonstriert, um die Herausforderungen zu bewältigen, die mit Übergaben zwischen Dateningenieuren, Datenwissenschaftlern, Softwareentwicklern und dem Betrieb verbunden sind. Die Verwendung von Werkzeugen und Prozessen zur Überwachung und Ergreifung von Maßnahmen wird diskutiert, wenn die Modellvorhersage in der Produktion von vereinbarten Leistungskennzahlen abweicht.
Der Dozent ermutigt die Teilnehmer dieses Kurses, einen MLOps-Aktionsplan für ihre Organisation durch tägliche Reflexion der Unterrichts- und Laborinhalte sowie durch Gespräche mit Kollegen und Dozenten zu erstellen.
