Machine Learning Engineering on AWS
Der Kurs Machine Learning Engineering on AWS ist ein dreitägiger Kurs, der sich an Fachkräfte im Bereich Machine Learning (ML) richtet, die lernen möchten, ML-Lösungen auf AWS zu entwickeln und produktiv einzusetzen. Die Teilnehmenden erwerben, durch eine ausgewogene Mischung aus Theorie, praktischen Übungen und Gruppenaktivitäten, fundierte Kenntnisse über die Entwicklung, Bereitstellung, Orchestrierung und Operationalisierung von skalierbaren ML-Lösungen.
Machine Learning Engineering on AWS
aktuelle Kurs-Termine finden Sie am Ende dieser Seite!
BESCHREIBUNG
Der Kurs Machine Learning Engineering on AWS ist ein dreitägiger Kurs, der sich an Fachkräfte im Bereich Machine Learning (ML) richtet, die lernen möchten, ML-Lösungen auf AWS zu entwickeln und produktiv einzusetzen. Die Teilnehmenden erwerben, durch eine ausgewogene Mischung aus Theorie, praktischen Übungen und Gruppenaktivitäten, fundierte Kenntnisse über die Entwicklung, Bereitstellung, Orchestrierung und Operationalisierung von skalierbaren ML-Lösungen. Die Kursteilnehmer arbeiten mit AWS-Diensten wie Amazon SageMaker sowie Analyse-Tools wie Amazon EMR, um robuste, skalierbare und produktionsreife Machine-Learning-Anwendungen praxisnah zu entwickeln.
Kursziele
In diesem Kurs lernen Sie folgendes:
- Die Grundlagen des Machine Learning sowie dessen Anwendungsmöglichkeiten in der AWS-Cloud
- Daten mit AWS-Services für ML-Aufgaben zu verarbeiten, umzuwandeln und aufzubereiten
- Geeignete ML-Algorithmen und Modellierungsansätze entsprechend der Problemstellung und Anforderungen an die Interpretierbarkeit auszuwählen
- Skalierbare ML-Pipelines mit AWS-Services für Modelltraining, Bereitstellung und Orchestrierung zu entwerfen und umzusetzen
- Automatisierte Continuous-Integration- und Continuous-Delivery-(CI/CD)-Pipelines für ML-Workflows zu erstellen
- Geeignete Sicherheitsmaßnahmen für ML-Ressourcen auf AWS
- Monitoring-Strategien für produktiv eingesetzte ML-Modelle zu implementieren – einschließlich Techniken zur Erkennung von Data Drift
ZIELGRUPPE
Dieser Kurs ist konzipiert für:
- Fachleute, die ML-Modelle auf AWS entwickeln, bereitstellen und betreiben möchten. Dazu zählen sowohl angehende als auch erfahrene Machine Learning Engineers mit begrenzter AWS-Erfahrung.
- DevOps Engineers
- Entwickler
- Systemadministratoren (SysOps Engineers)
VORAUSSETZUNGEN
- Grundlegendes Verständnis von Machine Learning
- Erfahrung mit der Programmiersprache Python und gängigen Data-Science-Bibliotheken wie NumPy, Pandas und Scikit-learn
- Grundverständnis von Cloud-Computing-Konzepten und erste Erfahrungen mit AWS
- Erfahrung mit Versionskontrollsystemen wie Git (von Vorteil, aber nicht zwingend erforderlich)
LEHRMETHODE
Dieser Kurs setzt sich zusammen aus:
- Vorträge
- Demonstrationen
- Gruppenübungen
- Praktische Übungen
KURSDAUER / PREIS
- 3 Tage
- € 2.685,00 zzgl. Mwst. pro Person (DE)
Kursinhalt
- Modul 0: Einführung in den Kurs
- Überblick über Kursziele, Inhalte und Ablauf
- Modul 1: Einführung in Machine Learning (ML) auf AWS
- Grundlagen des Machine Learning
- Einführung in Amazon SageMaker AI
- Verantwortungsvolles Machine Learning (Responsible ML)
- Modul 2: Analyse von Herausforderungen im Machine Learning (ML)
- Bewertung von geschäftlichen ML-Herausforderungen
- Ansätze für das Training von ML-Modellen
- ML-Trainingsalgorithmen
- Modul 3: Datenverarbeitung für Machine Learning (ML)
- Datenvorbereitung und Datentypen
- Explorative Datenanalyse
- Speicheroptionen auf AWS und Auswahl der passenden Speicherlösung
- Modul 4: Datentransformation und Feature Engineering
- Umgang mit fehlerhaften, doppelten und fehlenden Daten
- Konzepte des Feature Engineerings
- Methoden zur Merkmalsauswahl (Feature Selection)
- AWS-Services zur Datentransformation
- Lab 1: Datenanalyse und -vorbereitung mit Amazon SageMaker Data Wrangler und Amazon EMR
- Lab 2: Datenverarbeitung mit SageMaker Processing und dem SageMaker Python SDK
- Modul 6: Container
- Container-Lösungen im Vergleich zu virtuellen Maschinen
- Vorteile, Komponenten, Lösungsarchitektur und Versionierung von Docker
- Container-Hosting auf AWS zur Kostensenkung
- Managed Container Services: Amazon Elastic Container Service (Amazon ECS) und Amazon Elastic Kubernetes Service (Amazon EKS)
- AWS Fargate
- Praktisches Labor: Bereitstellen einer Anwendung mit Amazon EKS auf Fargate
- Modul 7: Continuous Integration/Continuous Delivery (CI/CD)
- CI/CD-Lösungen und Auswirkungen
- CI/CD-Automatisierung mit AWS CodePipeline
- Deployment Modelle
- AWS CloudFormation StackSets zur Verbesserung des Deployment-Managements
- Modul 8: Verfügbarkeit und DDoS-Schutz
- Gängige DDoS-Angriffe
- AWS WAF
- AWS WAF Web Access Control Lists (ACLs), Echtzeitmetriken, Logging und Sicherheitsautomatisierung
- AWS Shield Advanced-Services und AWS DDoS Response Team (DRT)
- AWS Network Firewall und AWS Firewall Manager zum Schutz von Konten in großem Umfang
- Modul 9: Sichern von Daten
- Was Kryptografie ist, warum man sie verwenden sollte und wie man sie verwendet
- AWS KMS
- AWS CloudHSM Architektur
- FIPS 140-2 Level 2 und Level 3 Verschlüsselung
- Secrets Manager
- Modul 10: Groß angelegte Datenspeicher
- Verwaltung von Amazon S3-Datenspeichern einschließlich Speicherklasse, Inventar, Metriken und Richtlinien
- Data Lake vs. Data Warehouse: Unterschiede, Vorteile und Beispiele
- AWS Lake Formation Lösungen, Sicherheit und Kontrolle
- Praktisches Labor: Einrichten eines Data Lake mit Lake Formation
- Modul 11: Umfangreiche Anwendungen
- Was sind Edge-Services und warum sollten Sie sie nutzen?
- Verbesserung der Leistung und Risikominimierung mit Amazon CloudFront
- Lambda@Edge
- AWS Global Accelerator: IP-Adressen, intelligente Verkehrsverteilung und Zustandsprüfungen
- Praktisches Labor: Migrieren einer lokalen NFS Share mit AWS DataSync und Storage Gateway
- Modul 12: Optimierung der Kosten
- An-/Abschaffungszyklen vor Ort und in der Cloud
- Cloud-Kostenmanagement-Tools, einschließlich Berichterstattung, Überwachung und Tagging
- Beispiele und Analysen zu den fünf Säulen der Kostenoptimierung
- Modul 13: Migration von Workloads
- Wirtschaftliche Treiber und der Prozess der Migration
- Erfolgreiche Kundenpraktiken
- Die 7 Rs zur Migration und Modernisierung
- Migrationstools und Services von AWS
- Migration von Datenbanken und großen Datenspeichern
- AWS Schema Conversion Tool (AWS SCT)
- Modul 14: Projekte bewerten
- Verwenden Sie das Online Course Supplement (OCS), um Anwendungsfälle zu überprüfen, Daten zu untersuchen und Fragen zum Architekturentwurf für Transit Gateway, Hybridkonnektivität, Migration und Kostenoptimierung zu beantworten
WICHTIG: Bitte bringen Sie zu unseren Trainings Ihr Notebook (Windows, Linux oder Mac) mit. Wenn dies nicht möglich ist, nehmen Sie bitte mit uns vorher Kontakt auf.
Kursunterlagen sind auf Englisch, auf Wunsch auch auf Deutsch (wenn verfügbar).
Kurssprache ist Deutsch, auf Wunsch auch auf Englisch.