Machine Learning Pipeline on AWS. 26028 (Virtual Classroom) - Webinar von TÜV Rheinland Akademie GmbH

In diesem viertägigen AWS Machine Learning-Seminar lernen Sie, wie Sie Ihre Geschäftsprobleme als ML-Probleme definieren und mit Amazon SageMaker ML-Modelle bewerten, optimieren und bereitstellen. Der Kurs forciert vor allem praktische Übungen und Projekte, mithilfe derer Sie das Gelernte direkt anwenden.

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

• 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

• Overview of data collection and integration, and techniques for data preprocessing and visualization
• Practice preprocessing
• Preprocess project data and discuss project progress

• 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

• How to evaluate classification models
• How to evaluate regression models
• Practice model training and evaluation
• Train and evaluate project models, then present findings

• 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

• How to deploy, interfere, and monitor your model on Amazon SageMaker
• Deploying ML at the edge
• Demo: Creating an Amazon SageMaker endpoint

Dieser Kurs verfolgt folgende Lernziele:

• Wählen und Begründen von geeigneten ML-Ansätzen für bestimmte Geschäftsprobleme
• Verwendung von ML-Pipeline, um ein bestimmtes Geschäftsproblem zu lösen
• Trainieren, Bewerten, Bereitstellen und Optimieren eines ML-Modells in Amazon SageMaker
• Beschreiben von Best Practices für das Entwerfen skalierbarer, kostenoptimierter und sicherer ML-Pipelines in AWS
• Anwenden von maschinellem Lernen auf ein reales Geschäftsproblem