courseoutline_metadesc.tpl

Practical Data Science with Amazon SageMaker (PDSASM) – Details

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