The Machine Learning Pipeline on AWS

Datum
07/06/2021 - 10/06/2021
Ganztägig
Kalender-Import: iCal

Veranstaltungsort
ETC Trainingcenter
Modecenterstrasse 22, 1030 - Wien




Für dieses Seminar empfehlen wir folgende Vorkenntnisse:

  • Basic knowledge of Python programming language
  • Basic understanding of AWS Cloud infrastructure (Amazon S3 and Amazon CloudWatch) 
  • Basic experience working in a Jupyter notebook environment 

In diesem Kurs wird erläutert, wie Sie mithilfe der ML-Pipeline (Machine Learning) ein echtes Geschäftsproblem in einer projektbasierten Lernumgebung lösen können. Die Teilnehmer lernen anhand von Präsentationen und Demonstrationen der Kursleiter die einzelnen Phasen der Pipeline kennen und wenden dieses Wissen an, um ein Projekt zur Lösung eines der drei geschäftlichen Probleme abzuschließen: Betrugserkennung, Empfehlungsmodule oder Flugverspätungen. Am Ende des Kurses haben die Teilnehmer mit Amazon SageMaker erfolgreich ein ML-Modell erstellt, geschult, bewertet, optimiert und bereitgestellt, das das ausgewählte Geschäftsproblem löst.

Nach Abschluss des Seminar haben Teilnehmer Wissen zu folgenden Themen: 

  • Select and justify the appropriate ML approach for a given business problem 
  • Use the ML pipeline to solve a specific business problem 
  • Train, evaluate, deploy, and tune an ML model using Amazon SageMaker  
  • Describe some of the best practices for designing scalable, cost-optimized, and secure ML pipelines in AWS  
  • Apply machine learning to a real-life business problem after the course is complete

Dieses Seminar richtet sich an: 

  • Developers
  • Solutions Architects 
  • Data Engineers
  • Anyone with little to no experience with ML and wants to learn about the ML pipeline using Amazon SageMaker  

Introduction  
Pre-assessment
 
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

 
Introduction to Amazon SageMaker 

  • Introduction to Amazon SageMaker
  • Demo: Amazon SageMaker and Jupyter notebooks
  • Hands-on: Amazon SageMaker and Jupyter notebooks

 
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

 
Preprocessing  

  • Overview of data collection and integration, and techniques for data preprocessing and visualization
  • Practice preprocessing
  • Preprocess project data
  • Class discussion about projects

 
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 
 
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

 
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  

 
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

 
 

Kategorien


Mehr Artikel