Machine Learning Engineering on AWS (MLMLEA)

Cloud
Strojově přeloženo

Machine Learning (ML) Engineering on Amazon Web Services (AWS) je třídenní kurz pro středně pokročilé, určený pro profesionály v oblasti ML, kteří chtějí získat znalosti v oblasti strojového učení na platformě AWS. Účastníci se naučí sestavovat, nasazovat, orchestrovat a provozovat ML řešení ve velkém měřítku prostřednictvím vyváženého spojení teorie, praktických cvičení a aktivit.

Účastníci získají praktické zkušenosti s využíváním služeb AWS, jako je Amazon SageMaker AI, a analytických nástrojů, jako je Amazon EMR, pro vývoj robustních, škálovatelných a produkčně připravených aplikací strojového učení.

Úroveň kurzu: Středně pokročilá

Délka trvání: 3 dny


Aktivity

Kurz zahrnuje prezentace, praktická cvičení, demonstrace a skupinové úlohy.


Cíle kurzu

V tomto kurzu se naučíte:

  • Vysvětlit základy ML a jeho aplikace v prostředí AWS Cloud.
  • Zpracovávat, transformovat a připravovat data pro úlohy ML pomocí služeb AWS.
  • Vybírat vhodné algoritmy ML a přístupy k modelování na základě požadavků problému a interpretovatelnosti modelu.
  • Navrhovat a implementovat škálovatelné ML pipeline pomocí služeb AWS pro trénování, nasazení a orchestraci modelů.
  • Vytvářet automatizované pipeline pro průběžnou integraci a doručování (CI/CD) pro ML pracovní postupy.
  • Diskutovat o vhodných bezpečnostních opatřeních pro ML zdroje na AWS.
  • Implementovat strategie monitorování nasazených ML modelů, včetně technik pro detekci datového driftu.


Cílová skupina

Tento kurz je určen pro profesionály, kteří mají zájem o sestavování, nasazování a provozování modelů strojového učení na platformě AWS. Může zahrnovat stávající i začínající inženýry strojového učení, kteří mohou mít jen omezené předchozí zkušenosti s AWS. Dalšími rolemi, které mohou z tohoto školení těžit, jsou DevOps inženýr, vývojář a SysOps inženýr.


Předpoklady

Doporučujeme, aby účastníci tohoto kurzu měli následující znalosti:

  • Znalost základních konceptů strojového učení
  • Praktická znalost programovacího jazyka Python a běžných knihoven pro datovou vědu, jako jsou NumPy, Pandas a Scikit-learn
  • Základní znalost konceptů cloud computingu a orientace v prostředí AWS
  • Zkušenosti se systémy pro správu verzí, jako je Git (výhodou, nikoli podmínkou)


Osnova kurzu

Den 1

Modul 0: Úvod do kurzu

Modul 1: Úvod do strojového učení (ML) na AWS

  • Téma A: Úvod do ML
  • Téma B: Amazon SageMaker AI
  • Téma C: Odpovědné ML

Modul 2: Analýza výzev strojového učení (ML)

  • Téma A: Hodnocení obchodních výzev ML
  • Téma B: Přístupy k trénování ML
  • Téma C: Algoritmy trénování ML

Modul 3: Zpracování dat pro strojové učení (ML)

  • Téma A: Příprava dat a datové typy
  • Téma B: Explorativní analýza dat
  • Téma C: Možnosti úložišť AWS a výběr úložiště

Modul 4: Transformace dat a příprava příznaků

  • Téma A: Zpracování nesprávných, duplicitních a chybějících dat
  • Téma B: Koncepty přípravy příznaků
  • Téma C: Techniky výběru příznaků
  • Téma D: Služby AWS pro transformaci dat
  • Lab 1: Analýza a příprava dat pomocí Amazon SageMaker Data Wrangler a Amazon EMR
  • Lab 2: Zpracování dat pomocí SageMaker Processing a SageMaker Python SDK


Den 2

Modul 5: Výběr přístupu k modelování

  • Téma A: Vestavěné algoritmy Amazon SageMaker AI
  • Téma B: Výběr vestavěných tréninkových algoritmů
  • Téma C: Amazon SageMaker Autopilot
  • Téma D: Aspekty výběru modelu
  • Téma E: Nákladové aspekty ML

Modul 6: Trénování modelů strojového učení (ML)

  • Téma A: Koncepty trénování modelů
  • Téma B: Trénování modelů v Amazon SageMaker AI
  • Lab 3: Trénování modelu pomocí Amazon SageMaker AI

Modul 7: Vyhodnocování a ladění modelů strojového učení (ML)

  • Téma A: Vyhodnocování výkonu modelu
  • Téma B: Techniky pro zkrácení doby trénování
  • Téma C: Techniky ladění hyperparametrů
  • Lab 4: Ladění modelu a optimalizace hyperparametrů pomocí Amazon SageMaker AI

Modul 8: Strategie nasazení modelů

  • Téma A: Aspekty nasazení a cílové možnosti
  • Téma B: Strategie nasazení
  • Téma C: Výběr strategie inference modelu
  • Téma D: Typy kontejnerů a instancí pro inferenci
  • Lab 5: Přesměrování provozu A/B


Den 3

Modul 9: Zabezpečení zdrojů strojového učení (ML) na AWS

  • Téma A: Řízení přístupu
  • Téma B: Řízení síťového přístupu pro ML zdroje
  • Téma C: Bezpečnostní aspekty CI/CD pipeline

Modul 10: Operace strojového učení (MLOps) a automatizované nasazení

  • Téma A: Úvod do MLOps
  • Téma B: Automatizace testování v CI/CD pipeline
  • Téma C: Služby průběžného doručování
  • Lab 6: Použití Amazon SageMaker Pipelines a Amazon SageMaker Model Registry s Amazon SageMaker Studio

Modul 11: Monitorování výkonu modelu a kvality dat

  • Téma A: Detekce driftu v ML modelech
  • Téma B: SageMaker Model Monitor
  • Téma C: Monitorování kvality dat a kvality modelu
  • Téma D: Automatizovaná náprava a odstraňování problémů
  • Lab 7: Monitorování modelu z hlediska datového driftu

Modul 12: Závěr kurzu