Detaillierter Kursinhalt
Modul 1: Einführung in maschinelles Lernen
- Arten von ML
- Job-Rollen in ML
- Schritte in der ML-Pipeline
Modul 2: Einführung in Data Prep und SageMaker
- Trainings- und Testdatensatz definiert
- Einführung in SageMaker
- Demo: SageMaker-Konsole
- Demo: Starten eines Jupyter-Notizbuchs
Modul 3: Problemformulierung und Datensatzvorbereitung
- Geschäftliche Herausforderung: Kundenabwanderung
- Überprüfung des Datensatzes zur Kundenabwanderung
Modul 4: Datenanalyse und -visualisierung
- Demo: Laden und Visualisieren Ihres Datensatzes
- Übung 1: Merkmale mit Zielvariablen in Beziehung setzen
- Übung 2: Beziehungen zwischen Attributen
- Demo: Bereinigung der Daten
Modul 5: Training und Auswertung eines Modells
- Arten von Algorithmen
- XGBoost und SageMaker
- Demo 5: Training der Daten
- Übung 3: Fertigstellung der Definition des Schätzers
- Übung 4: Einstellung von Hyperparametern
- Übung 5: Einsetzen des Modells
- Demo: Hyperparameter-Abstimmung mit SageMaker
- Demo: Bewertung der Modellleistung
Modul 6: Automatisches Abstimmen eines Modells
- Automatische Abstimmung der Hyperparameter mit SageMaker
- Übungen 6-9: Tuning Jobs
Modul 7: Bereitstellung/Produktionsbereitschaft
- Bereitstellen eines Modells für einen Endpunkt
- A/B-Einsatz für Tests
- Automatische Skalierung Skalierung
- Demo: Automatische Skalierung konfigurieren und testen
- Demo: Hyperparameter-Abstimmungsauftrag prüfen
- Demo: AWS Auto-Skalierung
- Übung 10-11: Einrichten von AWS Autoscaling
Modul 8: Relative Kosten von Fehlern
- Kosten der verschiedenen Fehlerarten
- Demo: Binäre Klassifizierung - Cutoff
Modul 9: Amazon SageMaker Architektur und Funktionen
- Zugriff auf Amazon SageMaker-Notebooks in einer VPC
- Amazon SageMaker Batch-Transformationen
- Amazon SageMaker Ground Truth
- Amazon SageMaker Neo