Practical Data Science mit Amazon SageMaker
Classroom Schulung | Deutsch | Anspruch
Schulungsdauer: 1 Tag
Ziele
Sie lernen, wie Sie einen echten Anwendungsfall mit Machine Learning (ML) lösen und verwertbare Ergebnisse mit Amazon SageMaker entwickeln. Dieses Seminar führt Sie durch die Phasen eines typischen Data-Science-Prozesses für Machine Learning von der Analyse und Visualisierung eines Datensatzes über die Datenaufbereitung bis hin zum Feature Engineering. Die Teilnehmer lernen auch praktische Aspekte der Modellerstellung, des Trainings, der Abstimmung und der Bereitstellung mit Amazon SageMaker. Zu den realen Anwendungsfällen gehört die Analyse der Kundenbindung, um Kundenbindungsprogramme zu entwickeln.
In diesem Seminar werden Sie:
- einen Datensatz für das Training vorbereiten
- Machine-Learning-Modelle ausarbeiten und bewerten
- Machine-Learning-Modelle automatisch abstimmen
- Ein Machine Learning-Modell für die Produktion vorbereiten
- Die Ergebnisse von Machine Learning-Modellen kritisch betrachten
Zielgruppe
- Entwickler
- Data Scientists
Voraussetzungen
- Vorkenntnisse der Programmiersprache Python
- Grundlegendes Verständnis von Machine Learning
Agenda
Einführung in das Machine Learning
- Arten von ML
- Job-Rollen in ML
- Schritte in der ML-Pipeline
Einführung in die Datenvorbereitung und SageMaker
- Definition von Übungs- und Testdatensätzen
- Einführung in SageMaker
- SageMaker-Konsole
- Starten eines Jupyter-Notebooks
Problemstellung und Datensatzvorbereitung
- Geschäftliche Herausforderung: Kundenschwund
- Datensatz zum Kundenschwund überprüfen
Datenanalyse und -visualisierung
- Laden und Visualisieren Ihres Datensatzes
- Bereinigung der Daten
Trainieren und Auswerten eines Modells
- Arten von Algorithmen
- XGBoost und SageMaker
- Training der Daten
- Abstimmung der Hyperparameter mit SageMaker
- Evaluierung der Modellleistung
Automatisches Tunen eines Modells
- Automatisches Hyperparameter-Tuning mit SageMaker
Einsatz/Produktionsbereitschaft
- Bereitstellen eines Modells an einem Endpunkt
- A/B-Einsatz zum Testen
- Automatische Skalierung
- Konfigurieren und Testen der automatischen Skalierung
- Überprüfen des Hyperparameter-Abstimmungsauftrags
- AWS-Autoskalierung
Relative Kosten von Fehlern
- Kosten der verschiedenen Fehlertypen
- Binäre Klassifizierungsabgrenzung
Amazon SageMaker Architektur und Funktionen
- Zugriff auf Amazon SageMaker-Notebooks in einer VPC
- Amazon SageMaker Batch-Transformationen
- Amazon SageMaker Grundwahrheit
- Amazon SageMaker Neo
Ziele
Sie lernen, wie Sie einen echten Anwendungsfall mit Machine Learning (ML) lösen und verwertbare Ergebnisse mit Amazon SageMaker entwickeln. Dieses Seminar führt Sie durch die Phasen eines typischen Data-Science-Prozesses für Machine Learning von der Analyse und Visualisierung eines Datensatzes über die Datenaufbereitung bis hin zum Feature Engineering. Die Teilnehmer lernen auch praktische Aspekte der Modellerstellung, des Trainings, der Abstimmung und der Bereitstellung mit Amazon SageMaker. Zu den realen Anwendungsfällen gehört die Analyse der Kundenbindung, um Kundenbindungsprogramme zu entwickeln.
In diesem Seminar werden Sie:
- einen Datensatz für das Training vorbereiten
- Machine-Learning-Modelle ausarbeiten und bewerten
- Machine-Learning-Modelle automatisch abstimmen
- Ein Machine Learning-Modell für die Produktion vorbereiten
- Die Ergebnisse von Machine Learning-Modellen kritisch betrachten
Zielgruppe
- Entwickler
- Data Scientists
Voraussetzungen
- Vorkenntnisse der Programmiersprache Python
- Grundlegendes Verständnis von Machine Learning
Agenda
Einführung in das Machine Learning
- Arten von ML
- Job-Rollen in ML
- Schritte in der ML-Pipeline
Einführung in die Datenvorbereitung und SageMaker
- Definition von Übungs- und Testdatensätzen
- Einführung in SageMaker
- SageMaker-Konsole
- Starten eines Jupyter-Notebooks
Problemstellung und Datensatzvorbereitung
- Geschäftliche Herausforderung: Kundenschwund
- Datensatz zum Kundenschwund überprüfen
Datenanalyse und -visualisierung
- Laden und Visualisieren Ihres Datensatzes
- Bereinigung der Daten
Trainieren und Auswerten eines Modells
- Arten von Algorithmen
- XGBoost und SageMaker
- Training der Daten
- Abstimmung der Hyperparameter mit SageMaker
- Evaluierung der Modellleistung
Automatisches Tunen eines Modells
- Automatisches Hyperparameter-Tuning mit SageMaker
Einsatz/Produktionsbereitschaft
- Bereitstellen eines Modells an einem Endpunkt
- A/B-Einsatz zum Testen
- Automatische Skalierung
- Konfigurieren und Testen der automatischen Skalierung
- Überprüfen des Hyperparameter-Abstimmungsauftrags
- AWS-Autoskalierung
Relative Kosten von Fehlern
- Kosten der verschiedenen Fehlertypen
- Binäre Klassifizierungsabgrenzung
Amazon SageMaker Architektur und Funktionen
- Zugriff auf Amazon SageMaker-Notebooks in einer VPC
- Amazon SageMaker Batch-Transformationen
- Amazon SageMaker Grundwahrheit
- Amazon SageMaker Neo