Practical Data Science mit Amazon SageMaker

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