Machine Learning Engineering on AWS

Dieser Kurs richtet sich an Fachleute, die an der Erstellung, Bereitstellung und Operationalisierung von Modellen für maschinelles Lernen in AWS interessiert sind. Dazu können aktuelle und in der Ausbildung befindliche Ingenieure für maschinelles Lernen gehören, die möglicherweise nur wenig Erfahrung mit AWS haben. Andere Rollen, die von dieser Schulung profitieren können, sind DevOps-Ingenieur, Entwickler und SysOps-Ingenieur.

Wir empfehlen, dass die Teilnehmer dieses Kurses die folgenden Voraussetzungen erfüllen:

• Vertrautheit mit grundlegenden Konzepten des maschinellen Lernens
• 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)

Kursziel

In diesem Kurs lernen Sie, wie Sie Folgendes tun können:

• Erklären Sie die Grundlagen von ML und seine Anwendungen in der AWS-Cloud.
• Verarbeiten, transformieren und entwickeln Sie Daten für ML-Aufgaben mithilfe von AWS-Services.
• Auswahl geeigneter ML-Algorithmen und Modellierungsansätze auf der Grundlage von Problemanforderungen und Modellinterpretierbarkeit.
• Entwerfen und implementieren Sie skalierbare ML-Pipelines, indem Sie AWS-Services für die Modellschulung, Bereitstellung und Orchestrierung verwenden.
• Erstellen Sie automatisierte Pipelines für die kontinuierliche Integration und Bereitstellung (CI/CD) von ML-Workflows.
• Diskutieren Sie geeignete Sicherheitsmaßnahmen für ML-Ressourcen auf AWS.
• Implementierung von Überwachungsstrategien für eingesetzte ML-Modelle, einschließlich Techniken zur Erkennung von Datendrift.

Kursinhalt

• Einführung in den Kurs
• Einführung in maschinelles Lernen (ML) auf AWS
• Analyse der Herausforderungen des maschinellen Lernens (ML)
• Datenverarbeitung für maschinelles Lernen (ML)
• Datenumwandlung und Feature Engineering
• Auswahl eines Modellierungsansatzes
• Training von Modellen für maschinelles Lernen (ML)
• Bewertung und Abstimmung von Modellen des maschinellen Lernens (ML)
• Strategien für den Einsatz von Modellen
• Sichern von AWS-Ressourcen für maschinelles Lernen (ML)
• Operationen für maschinelles Lernen (MLOps) und automatisierte Bereitstellung
• Überwachung von Modellleistung und Datenqualität
• Nachbereitung des Kurses

Zertifizierung