Practical Data Science with Amazon SageMaker (PDSASM) - Online Training

Modul 1: Einführung in maschinelles Lernen

• Arten von ML
• Job-Rollen in ML
• Schritte in der ML-Pipeline

Modul 2: Einführung in Data Prep und SageMaker

• Trainings- und Testdatensatz definiert
• Einführung in SageMaker
• Demo: SageMaker-Konsole
• Demo: Starten eines Jupyter-Notizbuchs

Modul 3: Problemformulierung und Datensatzvorbereitung

• Geschäftliche Herausforderung: Kundenabwanderung
• Überprüfung des Datensatzes zur Kundenabwanderung

Modul 4: Datenanalyse und -visualisierung

• Demo: Laden und Visualisieren Ihres Datensatzes
• Übung 1: Merkmale mit Zielvariablen in Beziehung setzen
• Übung 2: Beziehungen zwischen Attributen
• Demo: Bereinigung der Daten

Modul 5: Training und Auswertung eines Modells

• Arten von Algorithmen
• XGBoost und SageMaker
• Demo 5: Training der Daten
• Übung 3: Fertigstellung der Definition des Schätzers
• Übung 4: Einstellung von Hyperparametern
• Übung 5: Einsetzen des Modells
• Demo: Hyperparameter-Abstimmung mit SageMaker
• Demo: Bewertung der Modellleistung

Modul 6: Automatisches Abstimmen eines Modells

• Automatische Abstimmung der Hyperparameter mit SageMaker
• Übungen 6-9: Tuning Jobs

Modul 7: Bereitstellung/Produktionsbereitschaft

• Bereitstellen eines Modells für einen Endpunkt
• A/B-Einsatz für Tests
• Automatische Skalierung Skalierung
• Demo: Automatische Skalierung konfigurieren und testen
• Demo: Hyperparameter-Abstimmungsauftrag prüfen
• Demo: AWS Auto-Skalierung
• Übung 10-11: Einrichten von AWS Autoscaling

Modul 8: Relative Kosten von Fehlern

• Kosten der verschiedenen Fehlerarten
• Demo: Binäre Klassifizierung - Cutoff

Modul 9: Amazon SageMaker Architektur und Funktionen

• Zugriff auf Amazon SageMaker-Notebooks in einer VPC
• Amazon SageMaker Batch-Transformationen
• Amazon SageMaker Ground Truth
• Amazon SageMaker Neo

Lernziele

• Bereiten Sie einen Datensatz für das Training vor
• Trainieren und bewerten Sie ein Machine Learning Modell
• Automatisches Abstimmen eines Machine Learning-Modells
• Ein Machine Learning-Modell für die Produktion vorbereiten
• Kritische Betrachtung der Ergebnisse von Machine Learning-Modellen

Zielgruppen

• Entwickler
• Datenwissenschaftler