-
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.
-
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 |
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.
Die 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.
-
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 |
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.
Die gesamte Beschreibung dieses Kurses mit Terminen und Preisen zum Download als PDF.