Kurs
digicode: AWSS07
MLOps Engineering on AWS – Intensive Training
Kurs-Facts
- Bereitstellen deiner eigenen Modelle in der AWS Cloud
- Automatisieren von Workflows zum Erstellen, Trainieren, Testen und Bereitstellen von ML-Modellen
- Die verschiedenen Bereitstellungs-Strategien für die Implementierung von ML-Modellen in der Produktion
- Überwachung der Daten- und Konzeptabweichung, die die Vorhersage und die Anpassung an die Geschäftserwartungen beeinträchtigen könnte
ML-Datenplattform-Ingenieure, DevOps-Ingenieure und Entwickler/innen, Betriebsmitarbeiter/innen, die für die Operationalisierung von ML-Modellen verantwortlich sind, werden lernen, die Herausforderungen bei der Übergabe zwischen Dateningenieuren, Datenwissenschaftler/innenn, Softwareentwicklern und Betriebsmitarbeitern durch den Einsatz von Tools, Automatisierung, Prozessen und Teamarbeit zu bewältigen. Am Ende des Kurses wird vom Lernen zum Handeln gewechselt, indem ein MLOps-Aktionsplan für das eigene Unternehmen erstellt wird.
Tag 1
1 Einführung in MLOps
- Operationen des maschinellen Lernens
- Ziele von MLOps
- Kommunikation
- Von DevOps zu MLOps
- ML-Workflow
- Umfang
- MLOps-Sicht auf den ML-Workflow
- MLOps-Fälle
2 MLOps-Entwicklung
- Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
- MLOps-Sicherheit
- Automatisieren
- Apache Airflow
- Kubernetes-Integration für MLOps
- Amazon SageMaker für MLOps
- Übung: Einbringen eines eigenen Algorithmus in eine MLOps-Pipeline
- Demo: Amazon SageMaker
- Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
- Übung: Code und Bereitstellung eines ML-Modells mit AWS CodeBuild
- Aktivität: MLOps-Aktionsplan-Arbeitsbuch
Tag 2
3 MLOps-Bereitstellung
- Einführung in die Bereitstellungsvorgänge
- Modell-Paketierung
- Inferenz
- Übung: Einsetzen des Modells in der Produktion
- SageMaker-Produktionsvarianten
- Strategien für den Einsatz
- Einsatz an der Grenze
- Übung: Durchführen von A/B-Tests
- Aktivität: MLOps-Aktionsplan-Arbeitsbuch
Tag 3
4 Modellüberwachung und Betrieb
- Übung: Fehlersuche in der Pipeline
- Die Bedeutung der Überwachung
- Überwachung durch Design
- Übung: Überwachen des ML-Modell
- Der Mensch in der Schleife
- Amazon SageMaker Modell-Überwachung
- Demo: Amazon SageMaker Pipelines, Model Monitor, Model Registry und Feature
- Speichern
- Lösen des Problems/der Probleme
- Aktivität: MLOps-Aktionsplan-Arbeitsbuch
5 Nachbereitung
- Wiederholung des Kurses
- Aktivität: MLOps-Aktionsplan-Arbeitsbuch
- Nachbereitung
Dieser Kurs richtet sich an die folgenden Jobrollen:
- DevOps
- Maschinelles Lernen & KI
Du solltest für diesen Kurs folgende Voraussetzungen mitbringen:
- The Elements of Data Science (kostenloser, digitaler Kurs)
- Machine Learning Terminology and Process (kostenloser, digitaler Kurs)
und den folgenden Kurs besucht hast (oder gleichwertige Kenntnisse mitbringst):
Dieser kann zur Vorbereitung für folgende offizielle AWS-Zertifizierung dienen: AWS Certified Machine Learning – Specialty