Kursbeschreibung
Die wichtigsten Themen im Überblick
- ML-Modelle mit Amazon SageMaker produktionsreif machen
- Trainingsdaten aufbereiten und Features gezielt entwickeln
- Modelle trainieren, bewerten und mit Tuning optimieren
- MLOps-Pipelines mit SageMaker automatisiert aufbauen
- Sichere Deployments mit CI/CD und Zugriffskontrollen planen
- Drift, Qualität und Fehler mit Model Monitor überwachen
- Kosten, Inferenzstrategien und A/B-Tests sinnvoll steuern
- AWS-Services praxisnah für den ML-Lebenszyklus nutzen
Zielgruppe
- (Angehende) Machine Learning Engineers – auch mit wenig AWS-Erfahrung
- DevOps Engineers
- Entwickler:innen
- SysOps Engineers
Voraussetzung für die Schulung
Für eine erfolgreiche Teilnahme solltest Du folgende Kenntnisse haben:
- Grundlegendes Verständnis von Machine-Learning-Konzepten und -Methoden
- Praxiserfahrung mit Python sowie Bibliotheken wie NumPy, Pandas und Scikit-learn
- Basiswissen zu Cloud-Computing und erste Erfahrungen mit AWS
- Erfahrung mit Git ist hilfreich, aber kein Muss
Kursinhalte
Modul 1: Einführung in Machine Learning auf AWS
- Grundlagen des Machine Learning
- Überblick über Amazon SageMaker
- Responsible Machine Learning
Modul 2: ML-Herausforderungen verstehen
- Bewertung geschäftlicher Problemstellungen
- Trainingsansätze für ML-Modelle
- Überblick über Trainingsalgorithmen
Modul 3: Datenverarbeitung für ML
- Datenarten und Datenaufbereitung
- Explorative Datenanalyse
- AWS-Speicheroptionen und ihre Einsatzszenarien
Modul 4: Datentransformation & Feature Engineering
- Umgang mit fehlerhaften, doppelten und fehlenden Daten
- Feature Engineering und Feature Selection
- Datentransformation mit AWS-Services
- Datenaufbereitung mit SageMaker Data Wrangler und Amazon EMR
- Verarbeitung mit SageMaker Processing und dem SageMaker Python SDK
Modul 5: Modellierungsansätze
- Integrierte Algorithmen in Amazon SageMaker
- Auswahl geeigneter Trainingsalgorithmen
- Automatisiertes Training mit SageMaker Autopilot
- Modellauswahl und Kostenbewertung
Modul 6: Modelltraining
- Grundlagen des Trainingsprozesses
- Training von ML-Modellen mit Amazon SageMaker
Modul 7: Bewertung & Optimierung
- Bewertung der Modellleistung
- Verkürzung von Trainingszeiten
- Hyperparameter-Optimierung
- Modell-Tuning mit Amazon SageMaker
Modul 8: Modellbereitstellung
- Deployment-Strategien und Zielumgebungen
- Auswahl passender Inferenzstrategien
- Container- und Instanztypen für Inferenz
- Traffic-Shifting und A/B-Tests
Modul 9: Sicherheit für ML-Ressourcen
- Zugriffskontrolle und Berechtigungen
- Netzwerkabsicherung
- Sicherheitsaspekte in CI/CD-Pipelines
Modul 10: MLOps & automatisierte Deployments
- Einführung in MLOps
- Automatisiertes Testen
- Continuous Delivery für ML
- Arbeiten mit SageMaker Pipelines, Model Registry und SageMaker Studio
Modul 11: Monitoring & Qualitätssicherung
- Erkennung von Modell- und Daten-Drift
- Überwachung mit SageMaker Model Monitor
- Sicherstellung von Daten- und Modellqualität
- Automatisierte Fehlererkennung und -behebung
