Kurs

MLOps Engineering on AWS – Intensive Training («AWSS07»)

Könnte Ihr Workflow für maschinelles Lernen (ML) etwas DevOps-Flexibilität vertragen? MLOps Engineering on AWS hilft Ihnen, DevOps-ähnliche Praktiken in die Erstellung, das Training und die Bereitstellung von ML-Modellen zu integrieren.
Dauer 3 Tage
Preis 2'500.–   zzgl. 8.1% MWST
Kursdokumente Digitale Original-AWS-Kursunterlagen
Anmelden

Kurs-Facts

  • Bereitstellen Ihrer 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/Betriebsmitarbeiter, die für die Operationalisierung von ML-Modellen verantwortlich sind, werden lernen, die Herausforderungen bei der Übergabe zwischen Dateningenieuren, Datenwissenschaftlern, Softwareentwicklern und Betriebsmitarbeitern durch den Einsatz von Tools, Automatisierung, Prozessen und Teamarbeit zu bewältigen. Am Ende des Kurses können Sie vom Lernen zum Handeln übergehen, indem Sie einen MLOps-Aktionsplan für Ihr Unternehmen erstellen.

Tag 1
Modul 0: Begrüssung
  • Einführung in den Kurs
Modul 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
Modul 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: Bringen Sie Ihren eigenen Algorithmus in eine MLOps-Pipeline ein
  • Demo: Amazon SageMaker
  • Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
  • Übung: Code und Bereitstellung Ihres ML-Modells mit AWS CodeBuild
  • Aktivität: MLOps-Aktionsplan-Arbeitsbuch
Tag 2
Modul 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
Modul 4: Modellüberwachung und Betrieb
  • Übung: Fehlersuche in Ihrer Pipeline
  • Die Bedeutung der Überwachung
  • Überwachung durch Design
  • Übung: Überwachen Sie Ihr 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
Modul 5: Nachbereitung
  • Wiederholung des Kurses
  • Aktivität: MLOps-Aktionsplan-Arbeitsbuch
  • Nachbereitung
 Dieser Kurs richtet sich an die folgenden Jobrollen:
  • DevOps
  • Maschinelles Lernen & KI
 Wir empfehlen, dass die Teilnehmer an diesem Kurs die folgenden Voraussetzungen mitbringen: und den folgenden Kurs besucht haben (oder gleichwertige Kenntnisse mitbringen):
Dieser kann als Vorbereitung für folgende offizielle AWS-Zertifizierung dienen: AWS Certified Machine Learning – Specialty
 

Download

Kursdetails als PDF

Fragen zum Kurs

Wählen Sie Ihr Datum

Weiterführende Kurse

Lernen Sie Ihre Trainer kennen