MLOps Engineering on AWS Training

aktuelle Kurs-Termine finden Sie am Ende dieser Seite … Firmenschulungen gerne auf Anfrage!

Beschreibung

Dieser Kurs baut auf der in der Softwareentwicklung vorherrschenden DevOps-Praxis auf und erweitert sie, um Modelle für maschinelles Lernen (ML) zu erstellen, zu trainieren und bereitzustellen. Die Bedeutung von Daten, Modellen und Code für erfolgreiche ML-Bereitstellungen wird vermittelt. Im Kurs wird der Einsatz von Tools, Automatisierung, Prozessen und Teamwork demonstriert, um die Herausforderungen zu bewältigen, die mit Übergaben zwischen Dateningenieuren, Datenwissenschaftlern, Softwareentwicklern und dem Betrieb verbunden sind. Die Verwendung von Werkzeugen und Prozessen zur Überwachung und Ergreifung von Maßnahmen wird diskutiert, wenn die Modellvorhersage in der Produktion von vereinbarten Leistungskennzahlen abweicht.

Der Dozent ermutigt die Teilnehmer dieses Kurses, einen MLOps-Aktionsplan für ihre Organisation durch tägliche Reflexion der Unterrichts- und Laborinhalte sowie durch Gespräche mit Kollegen und Dozenten zu erstellen.

Kursziele

Was Sie in diesem Kurs lernen:

• Beschreiben Sie die Abläufe des maschinellen Lernens
• Verstehen der Hauptunterschiede zwischen DevOps und MLOps
• Beschreiben Sie den Arbeitsablauf beim maschinellen Lernen
• Erörterung der Bedeutung der Kommunikation in MLOps
  Erläutern der End-to-End-Optionen für die Automatisierung von ML-Arbeitsabläufen
• Auflisten der wichtigsten Amazon SageMaker-Funktionen für die MLOps-Automatisierung
• Erstellen eines automatisierten ML-Prozesses, der Modelle erstellt, trainiert, testet und einsetzt
• Erstellen eines automatisierten ML-Prozesses, der das Modell aufgrund von Änderungen am Modellcode neu trainiert
• Identifizierung von Elementen und wichtigen Schritten im Bereitstellungsprozess
• Beschreiben Sie die Elemente, die in einem Modellpaket enthalten sein können, und ihre Verwendung beim Training oder bei der Inferenz
• Erkennen der Amazon SageMaker-Optionen für die Auswahl von Modellen für den Einsatz, einschließlich der Unterstützung für
  ML-Frameworks und eingebaute Algorithmen oder Bring-your-own-Modelle
• Unterscheidung der Skalierung beim maschinellen Lernen von der Skalierung bei anderen Anwendungen
• Bestimmen Sie, wann Sie verschiedene Ansätze zur Inferenz verwenden sollten
• Diskussion von Einsatzstrategien, Vorteilen, Herausforderungen und typischen Anwendungsfällen
• Beschreiben Sie die Herausforderungen bei der Bereitstellung von maschinellem Lernen für Edge-Geräte
• Erkennen wichtiger Amazon SageMaker-Funktionen, die für den Einsatz und die Schlussfolgerung relevant sind
• Beschreiben Sie, warum Überwachung wichtig ist

Zielgruppe

Dieser Kurs ist konzipiert für:

• DevOps Engineers
• ML Engineers
• Entwickler/Betriebe mit Verantwortung für die Operationalisierung von ML-Modellen

Voraussetzungen

Wir empfehlen, dass die Teilnehmer dieses Kurses über folgende Kenntnisse verfügen:

• AWS Technical Essentials
• DevOps Engineering on AWS
• Practical Data Science with Amazon SageMaker

Lehrmethode

Dieser Kurs setzt sich zusammen aus:

• Schulung mit Kursleiter
• Praktische Übungen

Kursdauer / Preis

• 3 Tage / € 2.685,00 zzgl. Mwst. pro Person

Kursinhalt

Module 1: Security on AWS

• Machine learning operations
• Goals of MLOps
• Communication
• From DevOps to MLOps
• ML workflow
• Scope
• MLOps view of ML workflow
• MLOps cases

Module 2: MLOps Development

• Intro to build, train, and evaluate machine learning models
• MLOps security
• Automating
• Apache Airflow
• Kubernetes integration for MLOps
• Amazon SageMaker for MLOps
• Lab: Bring your own algorithm to an MLOps pipeline
• Demonstration: Amazon SageMaker
• Intro to build, train, and evaluate machine learning models
• Lab: Code and serve your ML model with AWS CodeBuild
• Activity: MLOps Action Plan Workbook

Module 3: MLOps Deployment

• Introduction to deployment operations
• Model packaging
• Inference
• Lab: Deploy your model to production
• SageMaker production variants
• Deployment strategies
• Deploying to the edge
• Lab: Conduct A/B testing
• Activity: MLOps Action Plan Workbook

Module 4: Model Monitoring and Operations

• Lab: Troubleshoot your pipeline
• The importance of monitoring
• Monitoring by design
• Lab: Monitor your ML model
• Human-in-the-loop
• Amazon SageMaker Model Monitor
• Demonstration: Amazon SageMaker Pipelines, Model Monitor, model registry, and Feature Store
• Solving the Problem(s)
• Activity: MLOps Action Plan Workbook

Module 5: Wrap-up

• Course review
• Activity: MLOps Action Plan Workbook
• Wrap-up

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.