Kursbeschreibung
Dieses Training richtet sich an erfahrene Data Scientists, die Amazon SageMaker Studio gezielt einsetzen möchten, um komplexe Machine-Learning-Prozesse effizient zu gestalten. Sie lernen, wie sich Produktivität und Sicherheit durch Tools wie CodeWhisperer und CodeGuru Security Scan Extensions deutlich verbessern lassen. Der Kurs vermittelt praxisnahe Kompetenzen für den gesamten ML-Workflow – von der Entwicklung über die Optimierung bis zur sicheren Umsetzung. In einer professionellen Lernumgebung profitieren Sie vom direkten Austausch mit Experten und erhalten fundiertes Wissen durch eine ausgewogene Mischung aus Theorie und praktischen Übungen.
Die wichtigsten Themen im Überblick
- SageMaker Studio einrichten
- Daten mit Data Wrangler
- Feature Engineering lernen
- Modelle trainieren und tunen
- Autopilot praxisnah nutzen
- Bias und Explainability
Zielgruppe
Dieses Training richtet sich an Data Scientists, die ihre Expertise im Bereich Machine Learning gezielt erweitern und Amazon SageMaker Studio professionell einsetzen möchten.
Voraussetzung für die Schulung
Für eine optimale Teilnahme sollten Sie mit ML-Frameworks vertraut sein, sicher in Python programmieren und über mindestens ein Jahr Berufserfahrung als Data Scientist verfügen. Idealerweise haben Sie bereits am Kurs AWS Technical Essentials teilgenommen oder vergleichbare Kenntnisse erworben.
Kursinhalte
- Tag 1: Einführung und Datenverarbeitung
- Amazon SageMaker Studio Setup
- Überblick und Einrichtung von SageMaker Studio
- Demonstration: Benutzeroberfläche von SageMaker Studio
- Data Processing
- Nutzung von SageMaker Data Wrangler für die Datenvorbereitung
- Hands-On Lab: Analyse und Datenvorbereitung mit Data Wrangler
- Skalierbare Datenverarbeitung mit Amazon EMR
- Hands-On Lab: Analyse und Skalierung mit EMR
- Einsatz von AWS Glue Interactive Sessions
- Datenverarbeitung mit SageMaker Processing und benutzerdefinierten Skripten
- Hands-On Lab: Datenverarbeitung mit SageMaker Processing
- Amazon SageMaker Studio Setup
- Tag 2: Feature Engineering und Modellentwicklung
- Python SDK und Feature Engineering
- Nutzung des SageMaker Feature Store
- Hands-On Lab: Feature-Engineering mit SageMaker Feature Store
- Model Development
- Training mit SageMaker:
- Eingebaute Algorithmen
- Eigene Skripte und Container
- Nutzung von SageMaker Experiments
- Hands-On Lab: Modelltraining und -tuning mit SageMaker Experiments
- Debugging mit SageMaker Debugger
- Hands-On Lab: Fehleranalyse und Alarme mit SageMaker Debugger
- Automatische Modelloptimierung
- Einführung in SageMaker Autopilot (Automated ML)
- Demonstration: Automatisiertes ML mit SageMaker Autopilot
- Bias-Erkennung und Erklärbarkeit mit SageMaker Clarify
- Hands-On Lab: Bias-Analyse mit SageMaker Clarify
- Einführung in SageMaker Jumpstart
- Python SDK und Feature Engineering
- Tag 3: Bereitstellung, Überwachung und Herausforderungen
- Deployment and Inference
- Verwendung von SageMaker Model Registry und Pipelines
- Hands-On Lab: Deployment mit SageMaker Pipelines und Model Registry
- Modellinferenz und -skalierung
- Hands-On Lab: Inferenz mit SageMaker Studio
- Monitoring
- Einsatz von Amazon SageMaker Model Monitor
- Diskussion: Fallstudie und Demonstration
- Resource Management und Abschluss
- Kostenmanagement und Systemaktualisierungen
- Capstone-Projekt:
- Datenvorbereitung, Feature-Erstellung, Training und Tuning
- Bias-Analyse und Batch-Vorhersagen
- (Optional) Automatisierung der Entwicklung mit SageMaker Pipelines
- Deployment and Inference
