Machine Learning Engineering on AWS

Praxisnahes Machine Learning mit AWS: Daten vorbereiten, Modelle trainieren, bereitstellen und überwachen.

Machine Learning (ML) Engineering auf Amazon Web Services (AWS) ist ein drei­tägiger Kurs auf mittlerem Niveau, der sich an ML-Fachkräfte richtet, die maschinelles Lernen auf AWS erlernen möchten. Die Teilnehmenden lernen, ML-Lösungen in großem Maßstab zu entwickeln, bereitzustellen, zu orchestrieren und zu betreiben – durch eine ausgewogene Kombination aus Theorie, praktischen Übungen und interaktiven Aktivitäten. Dabei sammeln sie praktische Erfahrungen mit AWS-Services wie Amazon SageMaker und Analyse-Tools wie Amazon EMR, um robuste, skalierbare und produktionsreife ML-Anwendungen zu entwickeln.

In diesem Kurs lernen Sie unter anderem:

• Die Grundlagen des maschinellen Lernens sowie dessen Einsatzmöglichkeiten in der AWS Cloud zu erklären.
• Daten für ML-Aufgaben mithilfe von AWS-Services zu verarbeiten, zu transformieren und aufzubereiten.
• Geeignete ML-Algorithmen und Modellierungsansätze basierend auf Problemstellungen und Interpretierbarkeit auszuwählen.
• Skalierbare ML-Pipelines mit AWS-Services für Training, Bereitstellung und Orchestrierung zu entwerfen und umzusetzen.
• Automatisierte Continuous-Integration- und Delivery-(CI/CD-)Pipelines für ML-Workflows zu erstellen.
• Angemessene Sicherheitsmaßnahmen für ML-Ressourcen auf AWS zu benennen.
• Überwachungsstrategien für eingesetzte ML-Modelle umzusetzen, einschließlich Techniken zur Erkennung von Datenabweichungen (Data Drift).

Tag 1
Modul 1: Einführung in Machine Learning (ML) auf AWS

• Thema A: Einführung in ML
• Thema B: Amazon SageMaker KI
• Thema C: Verantwortungsvolles ML

 
Modul 2: Analyse von Herausforderungen im Machine Learning (ML)

• Thema A: Bewertung von geschäftlichen ML-Herausforderungen
• Thema B: ML-Trainingsansätze
• Thema C: ML-Trainingsalgorithmen

 
Modul 3: Datenverarbeitung für Machine Learning (ML)

• Thema A: Datenvorbereitung und Datentypen
• Thema B: Explorative Datenanalyse
• Thema C: AWS-Speicheroptionen und Auswahl des Speichers

 
Modul 4: Datenumwandlung und Feature Engineering

• Thema A: Umgang mit fehlerhaften, doppelten und fehlenden Daten
• Thema B: Konzepte des Feature Engineering
• Thema C: Techniken der Merkmalsauswahl (Feature Selection)
• Thema D: AWS-Datenumwandlungsdienste
• Lab 1: Analyse und Vorbereitung von Daten mit Amazon SageMaker Data Wrangler und Amazon EMR
• Lab 2: Datenverarbeitung mit SageMaker Processing und dem SageMaker Python SDK

 
Tag 2
Modul 5: Auswahl eines Modellierungsansatzes

• Thema A: In Amazon SageMaker KI integrierte Algorithmen
• Thema B: Amazon SageMaker Autopilot
• Thema C: Auswahl integrierter Trainingsalgorithmen
• Thema D: Überlegungen zur Modellauswahl
• Thema E: Kostenaspekte bei ML

 
Modul 6: Training von Machine Learning (ML) Modellen

• Thema A: Konzepte des Modelltrainings
• Thema B: Training von Modellen in Amazon SageMaker KI
• Lab 3: Training eines Modells mit Amazon SageMaker KI

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

• Thema A: Bewertung der Modellleistung
• Thema B: Techniken zur Reduzierung der Trainingszeit
• Thema C: Techniken zur Hyperparameter-Optimierung
• Lab 4: Modelloptimierung und Hyperparameter-Tuning mit Amazon SageMaker KI

 
Modul 8: Strategien zur Modellbereitstellung

• Thema A: Überlegungen zur Bereitstellung und Zieloptionen
• Thema B: Bereitstellungsstrategien
• Thema C: Auswahl einer Inferenzstrategie für Modelle
• Thema D: Container- und Instanztypen für Inferenz
• Lab 5: Traffic-Steuerung

 
Tag 3
Modul 9: Absicherung von Machine Learning (ML) Ressourcen auf AWS

• Thema A: Zugriffskontrolle
• Thema B: Netzwerkzugriffskontrollen für ML-Ressourcen
• Thema C: Sicherheitsaspekte in CI/CD-Pipelines

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

• Thema A: Einführung in MLOps
• Thema B: Automatisiertes Testen in CI/CD-Pipelines
• Thema C: Services für kontinuierliche Bereitstellung
• Lab 6: Nutzung von Amazon SageMaker Pipelines und dem Amazon SageMaker Model Registry mit Amazon SageMaker Studio

 
Modul 11: Überwachung der Modellleistung und Datenqualität

• Thema A: Erkennung von Drift in ML-Modellen
• Thema B: SageMaker Model Monitor
• Thema C: Überwachung von Datenqualität und Modellqualität
• Thema D: Automatisierte Behebung und Fehlersuche
• Lab 7: Überwachung eines Modells auf Daten-Drift

Dieser Kurs richtet sich an Fachkräfte, die daran interessiert sind, Machine-Learning-Modelle auf AWS zu entwickeln, bereitzustellen und in den produktiven Betrieb zu überführen. Dazu zählen sowohl bereits tätige als auch angehende Machine-Learning-Engineers, die möglicherweise nur wenig Vorerfahrung mit AWS haben. Auch Rollen wie DevOps Engineer, Entwickler oder SysOps Engineer können von dieser Schulung profitieren.

Wir empfehlen den Teilnehmenden dieses Kurses folgende Voraussetzungen:

• Vertrautheit mit grundlegenden Machine Learning-Konzepten
• Praktische Kenntnisse in der Programmiersprache Python sowie in gängigen Data-Science-Bibliotheken wie NumPy, Pandas und Scikit-learn
• Grundlegendes Verständnis von Cloud-Computing-Konzepten und Vertrautheit mit AWS
• Erfahrung mit Versionskontrollsystemen wie Git (vorteilhaft, aber nicht erforderlich)