AWS: Nutzung der ML-Pipeline zur Lösung von Geschäftsproblemen
Amazon Web Services (AWS) bietet deinem Unternehmen die passenden Möglichkeiten der Nutzung Cloud-Architekturen zur Auslagerung von Daten, Services und der Nutzung cloudbasierter Ressourcen. AWS sind dabei Individuell anpassbar, skalierbar, sicher und hochverfügbar. Mit Hilfe von Machine Learning (ML) lassen sich an einem Lernmodell Lösungsmöglichkeiten von real existierenden Geschäftsproblemen entwickeln und erproben. Als Pipeline beschreibt man hierbei die Zusammenfassung von entsprechenden Arbeitsschritten innerhalb des Modells. Diese Machine Learning Pipeline on AWS Schulung umfasst Fachwissen und praxisorientierte Übungen, um die ML-Pipeline mit Unterstützung des AWS Machine-Learning-Services „Amazon SageMaker“ zur Entwicklung von Lösungsansätzen von unternehmerischen Problemen verwenden zu können. Ausgehend von der konkreten Definition von Geschäftsproblemen als so genannte ML-Probleme, über die Auswahl eines geeigneten ML-Ansatzes, trainierst du mit Amazon SageMaker wie sich ML-Modelle bewerten, optimieren und bereitstellen lassen. Dein Trainer legt in dieser Machine Learning Pipeline on AWS Schulung entsprechend großen Wert auf praktisches Lernen, so dass du im Verlauf das erworbene Wissen auf ein zuvor ausgewähltes Projektbeispiel anwenden kannst.
Inhalte Machine Learning Pipeline on AWS
Tag 1 der Machine Learning Pipeline in AWS Schulung
Einführung in maschinelles Lernen und die ML-Pipeline
Überblick über maschinelles Lernen, einschließlich Anwendungsfälle, Arten des maschinellen Lernens und Schlüsselkonzepte
Überblick über die ML-Pipeline
Einführung in die Kursprojekte und Vorgehensweise
Einführung in Amazon SageMaker
Einführung in Amazon SageMaker
Demo: Amazon SageMaker und Jupyter-Notebooks
Hands-on: Amazon SageMaker und Jupyter-Notizbücher
Problemformulierung
Überblick über die Problemformulierung und die Entscheidung, ob ML die richtige Lösung ist
Umwandlung eines Geschäftsproblems in ein ML-Problem
Demo: Amazon SageMaker Grundwahrheit
Praktische Anwendung: Amazon SageMaker Ground Truth
Tag 2 der Machine Learning Pipeline in AWS Schulung
Problemformulierung (Fortsetzung)
Problemformulierung üben
Probleme für Projekte formulieren
Vorverarbeitung
Überblick über die Datenerfassung und -integration sowie Techniken zur Datenvorverarbeitung und -visualisierung
Vorverarbeitung üben
Projektdaten vorverarbeiten und Projektfortschritt besprechen
Tag 3 der Machine Learning Pipeline in AWS Schulung
Modelltraining
Auswahl des richtigen Algorithmus
Formatierung und Aufteilung deiner Daten für das Training
Verlustfunktionen und Gradientenabstieg zur Verbesserung deines Modells
Demo: Erstellen eines Trainingsauftrags in Amazon SageMaker
Modellauswertung
Wie du Klassifikationsmodelle auswertest
Wie du Regressionsmodelle auswertest
Übe das Trainieren und Auswerten von Modellen
Projektmodelle trainieren und auswerten, dann Ergebnisse präsentieren
Tag 4 der Machine Learning Pipeline in AWS Schulung
Merkmalstechnik und Modellabstimmung
Feature-Extraktion, -Auswahl, -Erstellung und -Transformation
Abstimmung der Hyperparameter
Demo: SageMaker Hyperparameter-Optimierung
Üben von Feature-Engineering und Modellabstimmung
Anwendung von Feature-Engineering und Modelltuning auf Projekte
Abschließende Projektpräsentationen
Einsatz
Einsatz, Inferenz und Überwachung deines Modells auf Amazon SageMaker
Einsatz von ML am Rande
Demo: Erstellen eines Amazon SageMaker-Endpunkts
Post-Assessment
Nachbereitung des Kurses
Wir schulen auch bei dir vor Ort!
Diese Machine Learning Pipeline on AWS Schulung führen wir auch bei dir im Unternehmen als individualisierte Machine Learning Pipeline on AWS-Firmenschulung durch.
Machine Learning Pipeline in AWS: Zielgruppe Machine Learning Pipeline on AWS
Entwickler
Solutions Architects
Data Engineers
Jeder, der die Möglichkeiten der ML Pipeline und des Amazon SageMaker kennenlernen möchte mit keiner oder wenig Erfahrung mit Machine Learning
Machine Learning Pipeline in AWS: Voraussetzungen Machine Learning Pipeline on AWS
Basiswissen in Python
Grundverständnis der AWS Cloud Infrastruktur (Amazon S3 und CloudWatch)
Verständnis der Arbeit in einer Jupyter Notebook Umgebung
4.8
(79)
Machine Learning Pipeline in AWS
AWS: Nutzung der ML-Pipeline zur Lösung von Geschäftsproblemen
Amazon Web Services (AWS) bietet deinem Unternehmen die passenden Möglichkeiten der Nutzung Cloud-Architekturen zur Auslagerung von Daten, Services und der Nutzung cloudbasierter Ressourcen. AWS sind dabei Individuell anpassbar, skalierbar, sicher und hochverfügbar. Mit Hilfe von Machine Learning (ML) lassen sich an einem Lernmodell Lösungsmöglichkeiten von real existierenden Geschäftsproblemen entwickeln und erproben. Als Pipeline beschreibt man hierbei die Zusammenfassung von entsprechenden Arbeitsschritten innerhalb des Modells. Diese Machine Learning Pipeline on AWS Schulung umfasst Fachwissen und praxisorientierte Übungen, um die ML-Pipeline mit Unterstützung des AWS Machine-Learning-Services „Amazon SageMaker“ zur Entwicklung von Lösungsansätzen von unternehmerischen Problemen verwenden zu können. Ausgehend von der konkreten Definition von Geschäftsproblemen als so genannte ML-Probleme, über die Auswahl eines geeigneten ML-Ansatzes, trainierst du mit Amazon SageMaker wie sich ML-Modelle bewerten, optimieren und bereitstellen lassen. Dein Trainer legt in dieser Machine Learning Pipeline on AWS Schulung entsprechend großen Wert auf praktisches Lernen, so dass du im Verlauf das erworbene Wissen auf ein zuvor ausgewähltes Projektbeispiel anwenden kannst.
