Programm
Day One
Module 0: Introduction
Module 1: Introduction to Machine Learning and the ML Pipeline
Module 2: Introduction to Amazon SageMaker
Module 3: Problem Formulation
Day Two
Checkpoint 1 and Answer Review
Module 4: Preprocessing
Day Three
Module 5: Model Training
Module 6: Model Evaluation
Day Four
Module 7: Feature Engineering and Model Tuning
Module 8: Deployment
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
Day Two
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
Day Three
- 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
Day Four
- 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
Ziele
In diesem Kurs wird untersucht, wie die Pipeline des maschinellen Lernens (ML) zur Lösung eines realen Geschäftsproblems in einer projektbasierten Lernumgebung eingesetzt werden kann. Die Teilnehmer*innen lernen die einzelnen Phasen 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 durchzuführen: Betrugserkennung, Empfehlungsmaschinen oder Flugverspätungen. Am Ende des Kurses werden die Teilnehmer*innen erfolgreich ein ML-Modell mit Amazon SageMaker erstellt, trainiert, evaluiert, abgestimmt und bereitgestellt haben, das das von ihnen ausgewählte Geschäftsproblem löst.
Nach Abschluss des Seminar haben Teilnehmer*innen Wissen zu folgenden Themen:
Nach Abschluss des Seminar haben Teilnehmer*innen Wissen zu folgenden Themen:
- den geeigneten ML-Ansatz für ein bestimmtes Geschäftsproblem auszuwählen und zu begründen
- Verwendung der ML-Pipeline zur Lösung eines bestimmten Geschäftsproblems
- Trainieren, Bewerten, Bereitstellen und Abstimmen eines ML-Modells mit Amazon SageMaker
- Beschreiben Sie einige der besten Praktiken für den Entwurf skalierbarer, kostenoptimierter und sicherer ML-Pipelines in AWS
- Anwendung des maschinellen Lernens auf ein reales Geschäftsproblem nach Abschluss des Kurses
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