Machine Learning Engineering on AWS – Intensive Training («AWSM02»)

• Erläutern der ML-Grundlagen und ihrer Anwendungen in der AWS Cloud
• Verarbeiten, Umwandeln und Engineering von Daten für ML-Aufgaben mithilfe von AWS-Services
• Auswählen geeigneter ML-Algorithmen und Modellierungsansätze auf der Grundlage von Problem-Anforderungen und Modell-Interpretierbarkeit
• Entwerfen und Implementieren skalierbarer ML-Pipelines unter Verwendung von AWS-Services für Modelltraining, Bereitstellung und Orchestrierung
• Erstellen automatisierter kontinuierlicher Integrations- und Bereitstellungspipelines (CI/CD) für ML-Arbeitsabläufe
• Erörtern geeigneter Sicherheitsmassnahmen für ML-Ressourcen auf AWS
• Implementieren von Überwachungsstrategien für bereitgestellte ML-Modelle, einschliesslich Techniken zur Erkennung von Datendrift

Die Teilnehmenden werden praktische Erfahrungen mit AWS-Services wie Amazon SageMaker AI und Analysetools wie Amazon EMR sammeln, um robuste, skalierbare und produktionsreife Anwendungen für maschinelles Lernen zu entwickeln.

Kursübersicht

Tag 1 

Modul 0: Kurseinführung

Modul 1: Einführung in maschinelles Lernen (ML) auf AWS

• Thema A: Einführung in ML
• Thema B: Amazon SageMaker AI
• Thema C: Verantwortliches ML

Modul 2: Analysieren von Herausforderungen des maschinellen Lernens (ML)

• Thema A: Evaluierung von ML-Geschäftsherausforderungen
• Thema B: ML-Trainingsansätze
• Thema C: ML-Trainingsalgorithmen

Modul 3: Datenverarbeitung für maschinelles Lernen (ML)

• Thema A: Datenaufbereitung und Datentypen
• Thema B: Explorative Datenanalyse
• Thema C: AWS-Speicheroptionen und Auswahl des Speichers

Modul 4: Datenumwandlung und Feature Engineering

• Thema A: Umgang mit fehlerhaften, duplizierten und fehlenden Daten
• Thema B: Feature-Engineering-Konzepte
• Thema C: Techniken zur Auswahl von Merkmalen
• Thema D: AWS-Datentransformationsdienste
• Lab 1: Analysieren und Vorbereiten von Daten mit Amazon SageMaker Data Wrangler und Amazon EMR
• Lab 2: Datenverarbeitung mit SageMaker Processing und dem SageMaker Python SDK

Tag 2 

Modul 5: Auswahl eines Modellierungsansatzes

• Thema A: Integrierte Algorithmen von Amazon SageMaker AI
• Thema B: Auswahl von integrierten Trainingsalgorithmen
• Thema C: Amazon SageMaker Autopilot 
• Thema D: Überlegungen zur Modellauswahl
• Thema E: Überlegungen zu ML-Kosten

Modul 6: Training von Modellen für maschinelles Lernen (ML)

• Thema A: Konzepte der Modellschulung
• Thema B: Training von Modellen in Amazon SageMaker AI
• Lab 3: Trainieren eines Modells mit Amazon SageMaker AI

Modul 7: Bewerten und Abstimmen von Modellen des maschinellen Lernens (ML)

• Thema A: Evaluierung der Modellleistung 
• Thema B: Techniken zur Reduzierung der Trainingszeit
• Thema C: Techniken zur Abstimmung von Hyperparametern
• Lab 4: Modellabstimmung und Hyperparameter-Optimierung mit Amazon SageMaker AI

Modul 8: Modell-Einsatz-Strategien 

• Thema A: Einsatzüberlegungen und Zieloptionen
• Thema B: Einsatzstrategien
• Thema C: Auswahl einer Modellinferenzstrategie
• Thema D: Container- und Instanztypen für die Inferenz
• Lab 5: Traffic-Verlagerung A/B

Tag 3 

Modul 9: Absicherung von AWS-Ressourcen für maschinelles Lernen (ML)

• Thema A: Zugriffskontrolle
• Thema B: Netzwerkzugriffskontrollen für ML-Ressourcen
• Thema C: Sicherheitsüberlegungen für CI/CD-Pipelines

Modul 10: Machine Learning Operations (MLOps) und automatisierte Bereitstellung

• Thema A: Einführung in MLOps
• Thema B: Automatisiertes Testen in CI/CD-Pipelines
• Thema C: Kontinuierliche Bereitstellungsdienste
• Lab 6: Verwenden von Amazon SageMaker Pipelines und der Amazon SageMaker Model Registry mit Amazon SageMaker Studio

Modul 11: Überwachung der Modellleistung und Datenqualität

• Thema A: Erkennen von Drift in ML-Modellen
• Thema B: SageMaker Model Monitor
• Thema C: Überwachung von Datenqualität und Modellqualität
• Thema D: Automatisierte Abhilfe und Fehlerbehebung
• Lab 7: Überwachung eines Modells auf Datendrift

Modul 12: Nachbereitung des Kurses

• Vertrautheit mit grundlegenden Konzepten des maschinellen Lernens
• Grundlegende Kenntnisse der Programmiersprache Python und gängiger Data-Science-Bibliotheken wie NumPy, Pandas und Scikit-learn
• Grundlegendes Verständnis von Cloud-Computing-Konzepten und Vertrautheit mit AWS
• Erfahrung mit Versionskontrollsystemen wie Git (von Vorteil, aber nicht erforderlich)