AWS APN Training Partner

The Machine Learning Pipeline on AWS

AWS APN Training Partner
In diesem Kurs wird untersucht, wie die Pipeline des maschinellen Lernens (ML) verwendet werden kann, um ein reales Geschäftsproblem in einer projektbasierten Lernumgebung zu lösen. Die Kursteilnehmer lernen jede Phase 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 abzuschließen: Betrugserkennung, Empfehlungsmaschinen oder Flugverspätungen. Am Ende des Kurses werden die Kursteilnehmer ein ML-Modell mit Amazon SageMaker, das ihr ausgewähltes Geschäftsproblem löst, erfolgreich aufgebaut, geschult, bewertet, abgestimmt und eingesetzt haben.

Kursinhalt

  • geeigneten ML-Ansatz für ein bestimmtes Geschäftsproblem
  • ML-Pipeline zur Lösung eines bestimmten Geschäftsproblems
  • Trainieren, Bewerten, Bereitstellen und Abstimmen eines ML-Modells mit Amazon SageMaker
  • Vorgehensweisen für den Entwurf skalierbarer, kostenoptimierter und sicherer ML-Pipelines in AWS

Auf die Labs haben Sie nach dem Kurs noch weitere 4 Wochen Zugriff. So können Sie Übungen wiederholen oder individuell vertiefen.

Inhouse-Schulung jetzt anfragen

Zielgruppe

Dieser Kurs ist gedacht für: 

  • Developers
  • Solutions Architects 
  • Data Engineers 
  • Jeder, der wenig bis keine Erfahrung mit ML hat und etwas über die ML-Pipeline mit Amazon SageMaker lernen möchte

Voraussetzungen

  • Grundkenntnisse der Programmiersprache Python
  • Grundlegendes Verständnis der AWS Cloud-Infrastruktur (Amazon S3 und Amazon CloudWatch)
  • Grundlegende Erfahrung mit der Arbeit in einer Jupyter-Notebook-Umgebung

Ergänzende und aufbauende Kurse

Practical Data Science with Amazon SageMaker
Deep Learning on AWS
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
Checkpoint 1 and Answer Review
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
Checkpoint 2 and Answer Review
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
Checkpoint 3 and Answer Review
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
Zertifizierungen Symbol Interessieren Sie sich für eine Zertifizierung? Dieser Kurs ist Bestandteil der folgenden Zertifizierung(en):

Zertifizierung zum AWS Certified Machine Learning Specialty – Specialty Zertifizierung

Classroom Training

Bevorzugen Sie die klassische Trainingsmethode? Ein Kurs in einem unserer Training Center, mit einem kompetenten Trainer und dem direkten Austausch zwischen allen Teilnehmern? Dann buchen Sie einen der Classroom Training Termine!

Online Training

Möchten Sie einen Kurs online besuchen? Zu diesem Kursthema bieten wir Ihnen Online-Kurstermine an. Als Teilnehmer benötigen Sie dazu einen PC mit Internet-Anschluss (mindestens 1 Mbit/s), ein Headset, falls Sie per VoIP arbeiten möchten und optional eine Kamera. Weitere Informationen und technische Empfehlungen finden Sie hier.

Inhouse-Schulung

Benötigen Sie einen maßgeschneiderten Kurs für Ihr Team? Neben unserem Standard-Angebot bieten wir Ihnen an, Kurse speziell nach Ihren Anforderungen zu gestalten. Gerne beraten wir Sie hierzu und erstellen Ihnen ein individuelles Angebot.
Inhouse-Schulung jetzt anfragen
PDF SymbolDie gesamte Beschreibung dieses Kurses mit Terminen und Preisen zum Download als PDF.

In diesem Kurs wird untersucht, wie die Pipeline des maschinellen Lernens (ML) verwendet werden kann, um ein reales Geschäftsproblem in einer projektbasierten Lernumgebung zu lösen. Die Kursteilnehmer lernen jede Phase 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 abzuschließen: Betrugserkennung, Empfehlungsmaschinen oder Flugverspätungen. Am Ende des Kurses werden die Kursteilnehmer ein ML-Modell mit Amazon SageMaker, das ihr ausgewähltes Geschäftsproblem löst, erfolgreich aufgebaut, geschult, bewertet, abgestimmt und eingesetzt haben.

Kursinhalt

  • geeigneten ML-Ansatz für ein bestimmtes Geschäftsproblem
  • ML-Pipeline zur Lösung eines bestimmten Geschäftsproblems
  • Trainieren, Bewerten, Bereitstellen und Abstimmen eines ML-Modells mit Amazon SageMaker
  • Vorgehensweisen für den Entwurf skalierbarer, kostenoptimierter und sicherer ML-Pipelines in AWS

Auf die Labs haben Sie nach dem Kurs noch weitere 4 Wochen Zugriff. So können Sie Übungen wiederholen oder individuell vertiefen.

Inhouse-Schulung jetzt anfragen

Zielgruppe

Dieser Kurs ist gedacht für: 

  • Developers
  • Solutions Architects 
  • Data Engineers 
  • Jeder, der wenig bis keine Erfahrung mit ML hat und etwas über die ML-Pipeline mit Amazon SageMaker lernen möchte

Voraussetzungen

  • Grundkenntnisse der Programmiersprache Python
  • Grundlegendes Verständnis der AWS Cloud-Infrastruktur (Amazon S3 und Amazon CloudWatch)
  • Grundlegende Erfahrung mit der Arbeit in einer Jupyter-Notebook-Umgebung

Ergänzende und aufbauende Kurse

Practical Data Science with Amazon SageMaker
Deep Learning on AWS

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
Checkpoint 1 and Answer Review
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
Checkpoint 2 and Answer Review
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
Checkpoint 3 and Answer Review
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

Zertifizierungen Symbol Interessieren Sie sich für eine Zertifizierung? Dieser Kurs ist Bestandteil der folgenden Zertifizierung(en):

Zertifizierung zum AWS Certified Machine Learning Specialty – Specialty Zertifizierung

Classroom Training

Bevorzugen Sie die klassische Trainingsmethode? Ein Kurs in einem unserer Training Center, mit einem kompetenten Trainer und dem direkten Austausch zwischen allen Teilnehmern? Dann buchen Sie einen der Classroom Training Termine!

Online Training

Möchten Sie einen Kurs online besuchen? Zu diesem Kursthema bieten wir Ihnen Online-Kurstermine an. Als Teilnehmer benötigen Sie dazu einen PC mit Internet-Anschluss (mindestens 1 Mbit/s), ein Headset, falls Sie per VoIP arbeiten möchten und optional eine Kamera. Weitere Informationen und technische Empfehlungen finden Sie hier.

Inhouse-Schulung

Benötigen Sie einen maßgeschneiderten Kurs für Ihr Team? Neben unserem Standard-Angebot bieten wir Ihnen an, Kurse speziell nach Ihren Anforderungen zu gestalten. Gerne beraten wir Sie hierzu und erstellen Ihnen ein individuelles Angebot.
Inhouse-Schulung jetzt anfragen

PDF SymbolDie gesamte Beschreibung dieses Kurses mit Terminen und Preisen zum Download als PDF.