- Übersicht über AWS SageMaker
- Erkunden Sie die umfangreichen Funktionen von AWS SageMaker, darunter integrierte Jupyter-Notebooks, vordefinierte Datenquellen und Modell-Hosting-Services. Diskutieren Sie, wie SageMaker die Entwicklung und Bereitstellung von Machine-Learning-Modellen vereinfacht.
- Anleitung zur Einrichtung einer SageMaker-Umgebung, inklusive der Installation des SageMaker Python SDKs, Konfiguration von IAM-Rollen und Authentifizierungsmethoden für einen sicheren Zugriff auf AWS-Ressourcen.
- Daten vorbereiten und in SageMaker laden
- Untersuchung der Methoden zur Datenvorbereitung für Machine Learning, einschließlich der Bereinigung, Feature-Extraktion und Datentransformation. Betrachtung der Bedeutung von Datenformaten und wie sie die Modellleistung beeinflussen.
- Einführung in Amazon S3 als robuste und skalierbare Lösung für die Datenspeicherung. Praktische Demonstration, wie Daten in S3 Buckets hochgeladen und für Trainingsjobs in SageMaker zugänglich gemacht werden.
- Auswahl und Training von Machine-Learning-Modellen
- Überblick über die in SageMaker verfügbaren vorgefertigten Machine-Learning-Algorithmen und Frameworks. Erläuterung der Kriterien für die Auswahl des passenden Modells basierend auf dem Anwendungsfall.
- Detaillierte Erklärung des Prozesses zur Einrichtung und Durchführung von Training Jobs in SageMaker, inklusive der Konfiguration von Hardware-Ressourcen, Auswahl von Hyperparametern und der Nutzung von Spot-Instances zur Kosteneinsparung.
- Modellbewertung und -optimierung
- Diskussion über die verschiedenen Metriken und Techniken zur Bewertung der Leistung von Machine-Learning-Modellen. Vorstellung von Methoden zur Visualisierung und Interpretation der Ergebnisse.
- Anleitung zum Hyperparameter Tuning in SageMaker, einschließlich der Verwendung von automatisierten Suchstrategien und der Bewertung ihrer Auswirkungen auf die Modellleistung.
- Deployment von Modellen
- Erklärung der Schritte zur Erstellung und Konfiguration von SageMaker-Endpoints für die Bereitstellung von Modellen in der Produktion. Diskussion der Best Practices für das Deployment, einschließlich Versionierung und A/B-Testing.
- Einführung in das automatische Scaling von Endpoints basierend auf der Anfragebelastung und Tipps zur Überwachung der Leistung von Modell-Endpoints.
- Integration von SageMaker in ML-Pipelines
- Erläuterung, wie SageMaker in umfassende Machine-Learning-Pipelines integriert werden kann, von der Datenvorbereitung bis zum Modell-Training und -Deployment. Vorstellung von SageMaker Pipelines zur Automatisierung und Orchestrierung des gesamten ML-Workflows.
- Praxisnahe Beispiele für die Erstellung und Ausführung von ML-Pipelines in SageMaker, inklusive der Versionierung von Pipelines und der Wiederverwendung von Komponenten.
- Anwendung von Reinforcement Learning
- Einführung in die Grundlagen und Anwendungsfälle von Reinforcement Learning (RL). Diskussion der in SageMaker verfügbaren RL-Frameworks und Umgebungen.
- Schritt-für-Schritt-Anleitung zur Einrichtung und Durchführung von RL-Experimenten in SageMaker, inklusive der Auswahl von Algorithmen, Definition von Belohnungsfunktionen und Evaluation der Modellperformance.
- Verwendung von SageMaker Studio
- Vorstellung von SageMaker Studio als integrierte Entwicklungsumgebung (IDE) für Machine Learning. Überblick über die Funktionen, einschließlich des visuellen Datenpräparierungstools, Experiment-Management und Modell-Monitoring.
- Anwendungsbeispiele für SageMaker Studio, um die Produktivität bei der Entwicklung von Machine-Learning-Modellen zu steigern, von der Datenanalyse über das Modell-Training bis hin zum Deployment.
- Sicherheit und Zugriffskontrolle in SageMaker
- Diskussion der Sicherheitsaspekte in SageMaker, einschließlich der Konfiguration von IAM-Rollen, Verschlüsselung von Daten in Ruhe und Übertragung sowie der Einrichtung von VPC-Endpunkten.
- Anleitung zur Einrichtung von Zugriffskontrollen und feingranularen Berechtigungen für Teams, um einen sicheren und kontrollierten Zugriff auf SageMaker-Ressourcen und -Funktionen zu gewährleisten.
- Kostenmanagement und Best Practices
- Überblick über die Kostenstruktur in SageMaker und Strategien zur Kostenoptimierung, einschließlich der Auswahl geeigneter Instanztypen, Verwendung von Spot-Instances und Monitoring der Ressourcennutzung.
- Zusammenfassung der Best Practices für den effizienten und kosteneffektiven Einsatz von SageMaker, von der Ressourcenplanung bis hin zur Optimierung von Workflows und der Nutzung von SageMaker-Funktionen.
LernzieleDas Seminar zielt darauf ab, Teilnehmende mit den Fähigkeiten auszustatten, AWS SageMaker umfassend zu nutzen, um Machine-Learning-Modelle von der Entwicklung über das Training bis hin zum Deployment effektiv zu managen. Es vermittelt praktische Kenntnisse in der Datenvorbereitung, Modellauswahl, Optimierungstechniken und den Einsatz von SageMaker-Funktionen für skalierbare Lösungen. Die Teilnehmenden lernen, wie sie die Tools und Dienste von SageMaker einsetzen, um den gesamten Lebenszyklus von Machine-Learning-Projekten zu optimieren und dabei Sicherheitsbest Practices sowie Kostenmanagementstrategien zu berücksichtigen.
ZielgruppenAn dem Seminar sollten Datenwissenschaftler, Machine-Learning-Ingenieure, Softwareentwickler, die sich mit Machine Learning befassen, und IT-Profis, die in die Entwicklung und Verwaltung von ML-Projekten involviert sind, teilnehmen. Vorkenntnisse in Python-Programmierung, Grundlagen des Machine Learnings und Erfahrung mit AWS-Diensten sind für eine erfolgreiche Teilnahme empfehlenswert.
