Der dreitägige Kurs für Fortgeschrittene hilft erfahrenen Datenwissenschaftlern, ML-Modelle für jeden Anwendungsfall mit vollständig verwalteter Infrastruktur, Tools und Workflows zu erstellen, zu trainieren und bereitzustellen, um die Trainingszeit mit optimierter Infrastruktur von Stunden auf Minuten zu reduzieren. Dieser Kurs umfasst Präsentationen, Demonstrationen, Diskussionen und Übungen. Am Ende des Kurses üben Sie die Erstellung eines durchgängigen ML-Projekts für tabellarische Daten mit SageMaker Studio und dem SageMaker Python SDK.
Tag 1
1 Einrichtung von Amazon SageMaker Studio
- JupyterLab-Erweiterungen in SageMaker Studio
- Vorführung: Demo der SageMaker Benutzeroberfläche
2 Datenverarbeitung
- Verwendung von SageMaker Data Wrangler für die Datenverarbeitung
- Praktische Übung: Analysieren und Aufbereiten von Daten mit Amazon SageMaker Data Wrangler
- Verwendung von Amazon EMR
- Praktische Übung: Analysieren und Aufbereiten von Daten im großen Maßstab mit Amazon EMR
- Interaktive AWS Glue-Sitzungen verwenden
- Verwendung von SageMaker Processing mit eigenen Scripts
- Praktische Übung: Datenverarbeitung mit Amazon SageMaker Processing und SageMaker Python SDK
- SageMaker-Funktionsspeicher
- Praktische Übung: Feature-Engineering mit dem SageMaker Feature Store
3 Modellentwicklung
- SageMaker-Trainingsaufträge
- Eingebaute Algorithmen
- Bringen Sie Ihr eigenes Script mit
- Bringen Sie Ihren eigenen Container mit
- SageMaker-Experimente
- Praktische Übung: Verwendung von SageMaker Experimenten zur Verfolgung von Iterationen von Trainings- und Tuningmodellen
Tag 2
3 Modellentwicklung (Fortsetzung)
- SageMaker-Fehlersuchprogramm
- Praktische Übung: Analysieren, Erkennen und Setzen von Warnungen mit dem SageMaker Debugger
- Automatische Modellabstimmung
- SageMaker Autopilot: Automatisierte ML
- Demonstration: SageMaker Autopilot
- Bias-Erkennung
- Praktische Übung: Verwendung von SageMaker Clarify für Bias und Erklärbarkeit
- SageMaker-Schnelleinstieg
4 Einsatz und Inferenz
- SageMaker Modell-Register
- SageMaker-Pipelines
- Praktische Übung: Verwendung von SageMaker Pipelines und SageMaker Model Registry mit SageMaker Studio
- Optionen für die SageMaker-Modellinferenz
- Skalierung
- Teststrategien, Leistung und Optimierung
- Praktische Übung: Inferenzierung mit SageMaker Studio
5 Überwachung
- Amazon SageMaker Model Monitor
- Diskussion: Fallstudie
- Demonstration: Modell-Überwachung
Tag 3
6 Verwaltung von SageMaker-Studio-Ressourcen und Updates
- Aufgelaufene Kosten und Herunterfahren
- Aktualisierungen
Capstone
- Einrichtung der Umgebung
- Aufgabe 1: Analysieren und Vorbereiten des Datensatzes mit SageMaker Data Wrangler
- Aufgabe 2: Erstellen von Merkmalsgruppen in SageMaker Feature Store
- Aufgabe 3: Durchführen und Verwalten von Modelltraining und -abstimmung mit SageMaker Experiments
- (Optional) Aufgabe 4: Verwenden Sie den SageMaker Debugger für die Trainingsleistung und die Modelloptimierung
- Aufgabe 5: Bewerten Sie das Modell auf Verzerrungen mit SageMaker Clarify
- Aufgabe 6: Batch-Vorhersagen mit Hilfe des Modell-Endpunkts durchführen
- (Optional) Aufgabe 7: Automatisieren Sie den gesamten Modellentwicklungsprozess mithilfe von SageMaker Pipeline
Teil von folgenden Kursen / Lehrgängen
-
Amazon SageMaker Studio for Data Scientists – Intensive Training