The Machine Learning Pipeline in AWS

Ziele

In dieser Sculung wird untersucht, wie die iterative Prozesspipeline des maschinellen Lernens (ML) zur Lösung eines realen Geschäftsproblems in einer projektbasierten Lernumgebung eingesetzt werden kann. Die Teilnehmer lernen die einzelnen Phasen der Prozesspipeline anhand von Präsentationen und Demonstrationen des Schulungsleiters kennen und wenden dieses Wissen dann an, um ein Projekt zur Lösung eines von drei Geschäftsproblemen durchzuführen: Betrugserkennung, Empfehlungsmodule oder Flugverspätungen. Am Ende der Schulung werden die Teilnehmer erfolgreich ein ML-Modell mit Amazon SageMaker erstellt, geschult, bewertet, abgestimmt und bereitgestellt haben, das das von ihnen gewählte Geschäftsproblem löst. Teilnehmer mit wenig bis gar keinen Erfahrungen oder Kenntnissen im Bereich maschinelles Lernen werden von diesem Kurs profitieren.

In dieser Schulung werden Sie:

• den geeigneten ML-Ansatz für ein bestimmtes Geschäftsproblem auswählen und begründen
• ML Pipeline verwenden, um ein spezifisches Geschäftsproblem zu lösen
• ein ML Modell mit Amazon SageMaker trainieren, bewerten, bereitstellen und abstimmen
• Best Practices für den Entwurf skalierbarer, kostenoptimierter und sicherer ML-Pipelines in AWS erfahren
• Machine Learning auf ein reales Geschäftsproblem anwenden

Zielgruppe

• Entwickler
• Lösungsarchitekten
• Daten-Ingenieure

Voraussetzungen

• Grundkenntnisse der Programmiersprache Python
• Grundlegendes Verständnis der AWS-Cloud-Infrastruktur (Amazon S3 und Amazon CloudWatch)
• Grundkenntnisse in Statistik sind hilfreich

Agenda

Einführung in Machine Learning und die ML Pipeline

• Überblick über maschinelles Lernen
• Arten des Machine Learning und Schlüsselkonzepte
• Überblick über die ML-Pipeline
• Einführung in die Kursprojekte und den Ansatz

Einführung in Amazon SageMaker

• Einführung in Amazon SageMaker
• Amazon SageMaker und Jupyter-Notebooks

Problemstellung

• Überblick über die Problemstellung und die Entscheidung, ob ML die richtige Lösung ist
• Umwandlung eines Geschäftsproblems in ein ML-Problem
• Amazon SageMaker Grundwahrheit
• Praktische Problemlösung
• Problemstellungen für Projekte definieren

Vorbereitung

• Überblick über die Datenerfassung und -integration sowie Techniken zur Datenvorbereitung und Visualisierung
• Praktische Vorbereitung
• Projektdaten vorbereiten
• Gruppendiskussion über Projekte

Modelltraining

• Auswahl des richtigen Algorithmus
• Formatierung und Aufteilung Ihrer Daten für das Training
• Verlustfunktionen und Gradientenabstieg zur Verbesserung Ihres Modells
• Erstellen eines Übungsauftrags in Amazon SageMaker

Modellauswertung

• Wie man Klassifikationsmodelle auswertet
• Wie man Regressionsmodelle auswertet
• Üben von Modelltraining und -bewertung
• Trainieren und Bewerten von Projektmodellen
• Erste Projektpräsentationen

Merkmalstechnik und Modellabstimmung

• Merkmalsextraktion, -auswahl, -erstellung und -umwandlung
• Abstimmung der Hyperparameter
• Üben von Feature-Engineering und Modellabstimmung
• Anwendung von Feature-Engineering und Modellabstimmung auf Projekte
• Abschließende Projektpräsentationen

Einsatz

• Wie Sie Ihr Modell auf Amazon SageMaker einsetzen, ableiten und überwachen
• Erstellen eines Amazon SageMaker-Endpunkts
• Einsatz von ML at the edge
• Post-Assessment