Machine Learning Engineering on AWS

Ziele

In dieser 3-tägigen Schulung "Machine Learning Engineering on AWS" erhalten Teilnehmende eine praxisorientierte Einführung in das Machine Learning Engineering auf Amazon Web Services (AWS). Die Schulung richtet sich an ML-Profis mit Vorkenntnissen und vermittelt fundiertes Wissen zur Entwicklung, Bereitstellung, Orchestrierung und Operationalisierung von ML-Lösungen in großem Maßstab.

Durch eine ausgewogene Mischung aus theoretischen Inhalten, praktischen Übungen und Lab-Sessions erwerben die Teilnehmenden umfassende Kenntnisse im Umgang mit AWS-Diensten wie Amazon SageMaker sowie Analysetools wie Amazon EMR. Ziel ist es, skalierbare, robuste und produktionsreife Machine Learning-Anwendungen zu entwickeln.

Zielgruppe

• Aktive oder angehende Machine Learning Engineers – auch mit wenig Vorerfahrung in AWS
• DevOps Engineers
• Entwickler:innen
• SysOps Engineers

Voraussetzungen

Für eine erfolgreiche Teilnahme an der Schulung sollten folgende Voraussetzungen erfüllt sein:

• Grundlegendes Verständnis von Konzepten und Methoden des Machine Learning
• Praktische Erfahrung mit der Programmiersprache Python sowie mit gängigen Data-Science-Bibliotheken wie NumPy, Pandas und Scikit-learn
• Grundlegendes Verständnis von Cloud-Computing-Konzepten sowie erste Erfahrung mit AWS
• Erfahrung im Umgang mit Versionskontrollsystemen wie Git (von Vorteil, aber nicht zwingend erforderlich)

Agenda

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 Herausforderungen im ML-Kontext
• Ansätze für das Training von ML-Modellen
• Überblick über ML-Trainingsalgorithmen

Modul 3: Datenverarbeitung für Machine Learning (ML)

• Datenvorbereitung und Datentypen
• Explorative Datenanalyse
• Speicheroptionen auf AWS und Auswahl des passenden Speichers

Modul 4: Datentransformation und Feature Engineering

• Umgang mit fehlerhaften, doppelten und fehlenden Daten
• Konzepte des Feature Engineerings
• Techniken zur Merkmalsauswahl (Feature Selection)
• AWS-Dienste zur Datentransformation
• Analyse und Vorbereitung von Daten mit Amazon SageMaker Data Wrangler und Amazon EMR
• Datenverarbeitung mit SageMaker Processing und dem SageMaker Python SDK

Modul 5: Auswahl eines Modellierungsansatzes

• Eingebaute Algorithmen in Amazon SageMaker AI
• Auswahl geeigneter Trainingsalgorithmen
• Amazon SageMaker Autopilot
• Überlegungen zur Modellauswahl
• Kostenaspekte im Machine Learning

Modul 6: Training von Machine Learning (ML) Modellen

• Grundlagen des Modelltrainings
• Training von Modellen mit Amazon SageMaker AI

Modul 7: Bewertung und Optimierung von Machine Learning (ML) Modellen

• Bewertung der Modellleistung
• Techniken zur Reduzierung der Trainingsdauer
• Methoden zur Hyperparameter-Optimierung
• Modell-Tuning und Hyperparameter-Optimierung mit Amazon SageMaker AI

Modul 8: Strategien zur Modellbereitstellung

• Überlegungen zur Bereitstellung und Zieloptionen
• Strategien für die Modellbereitstellung
• Auswahl einer Inferenzstrategie für Modelle
• Container- und Instanztypen für Inferenz
• Traffic-Shifting mit A/B-Testverfahren

Modul 9: Absicherung von AWS Machine Learning (ML) Ressourcen

• Zugriffskontrolle
• Netzwerkzugriffskontrollen für ML-Ressourcen
• Sicherheitsaspekte in CI/CD-Pipelines

Modul 10: Machine Learning Operations (MLOps) und automatisierte Bereitstellung

• Einführung in MLOps
• Automatisiertes Testen in CI/CD-Pipelines
• Dienste für Continuous Delivery
• Nutzung von Amazon SageMaker Pipelines und der Amazon SageMaker Model Registry mit Amazon SageMaker Studio

Modul 11: Überwachung der Modellleistung und Datenqualität

• Erkennung von Modell-Drift
• SageMaker Model Monitor
• Überwachung der Daten- und Modellqualität
• Automatisierte Fehlerbehebung und Problembehandlung
• Überwachung eines Modells auf Daten-Drift