AWS - MLOps Engineering on AWS

Der Kurs "AWS - MLOps Engineering on AWS (MLOE)" 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.

Optional erstellen Sie einen MLOps-Aktionsplan für ihre Organisation durch tägliche Reflexion der Unterrichts- und Laborinhalte sowie durch Gespräche mit Kollegen und Dozenten.

Hinweis:
Kurssprache ist Deutsch, die Unterlagen sind in englischer Sprache (teilweise in digitaler Form).
Dieses Seminar führen wir in Kooperation mit der Fast Lane GmbH durch.
Inhalte
Einführung in MLOps

Operationen des maschinellen Lernens

Ziele von MLOps

Kommunikation

Von DevOps zu MLOps

ML-Arbeitsablauf

Umfang

MLOps-Sicht auf den ML-Workflow

MLOps-Fälle
MLOps-Entwicklung

Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen

MLOps-Sicherheit

Automatisieren

Apache Airflow

Kubernetes-Integration für MLOps

Amazon SageMaker für MLOps

Bringen Sie Ihren eigenen Algorithmus in eine MLOps-Pipeline ein

Amazon SageMaker

Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen

Code und Bereitstellung Ihres ML-Modells mit AWS CodeBuild

Das Arbeitsbuch zum MLOps-Aktionsplan
MLOps-Bereitstellung

Einführung in die Bereitstellungsvorgänge

Modell-Paketierung

Inferenz

Einsetzen des Modells in der Produktion

SageMaker Produktionsvarianten

Strategien für den Einsatz

Einsatz an der Grenze

Durchführen von A/B-Tests

MLOps-Aktionsplan Arbeitsbuch
Modellüberwachung und Betrieb

Fehlersuche in Ihrer Pipeline

Die Bedeutung der Überwachung

Überwachung durch Design

Überwachen Sie Ihr ML-Modell

Human-in-the-loop

Amazon SageMaker Modell-Monitor

Amazon SageMaker Pipelines, Model Monitor, Model Registry und Feature Store

Lösen des Problems/der Probleme

Das MLOps Action Plan Workbook
Nachbereitung

Nachbearbeitung der MLOps-Aktionsplan-Arbeitsmappe

Erforderlich:
- AWS Technical Essentials (AWSE)
- DevOps Engineering on AWS (AWSDEVOPS)
- Practical Data Science with Amazon SageMaker (PDSASM)


Zusätzlich Empfohlen:
- The Elements of Data Science (digitaler Kurs) oder gleichwertige Erfahrung
- Machine Learning Terminology and Process (digitaler Kurs)

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

Im Preis enthalten sind: Technische Beratung, Kursmaterial und Schulungszertifikat.

Weiterführende Informationen auf der Seite des Anbieters