Machine Learning Engineering on AWS (MLMLEA)
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
Více od Amazon Web Services (AWS)
Advanced Architecting on AWS | Cloud
Advanced Architecting on AWS Jam Day | Cloud
Advanced Architecting on AWS with AWS Jam | Cloud
Advanced AWS Well-Architected Best Practices | Cloud
Advanced Generative AI Development on AWS | Cloud
Agentic AI Foundations | Cloud