Amazon SageMaker Studio for Data Scientists
-
Aws Advanced Training Partner
-
Aws Premium Consuting Partner
Amazon SageMaker Studio for Data Scientists
aktuelle Kurs-Termine finden Sie am Ende dieser Seite!
BESCHREIBUNG
Amazon SageMaker Studio hilft Data Scientists, Modelle für maschinelles Lernen (ML) schnell vorzubereiten, zu erstellen, zu trainieren, bereitzustellen und zu überwachen. Dies geschieht durch die Zusammenführung einer breiten Palette von Funktionen, die speziell für ML entwickelt wurden. Dieser Kurs schult erfahrene Data Scientists in der Verwendung der Tools, die zu Amazon SageMaker Studio gehören, einschließlich Amazon CodeWhisperer und Amazon CodeGuru Security Scan Extensions, zur Verbesserung der Produktivität in allen Phasen des ML-Lebenszyklus.
Kursziele
In diesem Kurs lernen Sie folgendes:
- Wie Sie den Vorbereitungs-, Erstellungs-, Trainings-, Bereitstellungs- und Überwachungsprozess von ML-Lösungen mit Amazon SageMaker Studio beschleunigen können
ZIELGRUPPE
Dieser Kurs ist konzipiert für:
- Erfahrene Data Scientists, die die Grundlagen von ML und Deep Learning beherrschen
VORAUSSETZUNGEN
Wir empfehlen, dass die Teilnehmer an diesem Kurs die folgenden Voraussetzungen erfüllen:
- Erfahrung mit ML-Frameworks
- Erfahrung mit Python-Programmierung
- Mindestens 1 Jahr Erfahrung als Data Scientist, verantwortlich für Training, Tuning und Einsatz von Modellen
- AWS Technical Essentials
LEHRMETHODE
Dieser Kurs setzt sich zusammen aus:
- Vorträge
- Demonstrationen
- Praktische Übungen
- Diskussionen
- ein Abschlussprojekt
KURSDAUER / PREIS
- 3 Tage
- € 2.095,00 zzgl. Mwst. pro Person (DE)
KURSINHALT
-
Tag 1
- Modul 1: Amazon SageMaker Studio Setup
- JupyterLab Extensions in SageMaker Studio
- Demonstration: SageMaker user interface demo
- Modul 2: Data Processing
- Using SageMaker Data Wrangler for data processing
- Hands-On Lab: Analyze and prepare data using Amazon SageMaker Data Wrangler
- Using Amazon EMR
- Hands-On Lab: Analyze and prepare data at scale using Amazon EMR
- Using AWS Glue interactive sessions
- Using SageMaker Processing with custom scripts
- Hands-On Lab: Data processing using Amazon SageMaker Processing and SageMaker Python SDK
- SageMaker Feature Store
- Hands-On Lab: Feature engineering using SageMaker Feature Store
- Modul 3: Model Development
- SageMaker training jobs
- Built-in algorithms
- Bring your own script
- Bring your own container
- SageMaker Experiments
- Hands-On Lab: Using SageMaker Experiments to Track Iterations of Training and Tuning Models
- Modul 1: Amazon SageMaker Studio Setup
-
Tag 2
- Module 3: Model Development (continued)
- SageMaker Debugger
- Hands-On Lab: Analyzing, Detecting, and Setting Alerts Using SageMaker Debugger
- Automatic model tuning
- SageMaker Autopilot: Automated ML
- Demonstration: SageMaker Autopilot
- Bias detection
- Hands-On Lab: Using SageMaker Clarify for Bias and Explainability
- SageMaker Jumpstart
- Modul 4: Deployment and Inference
- SageMaker Model Registry
- SageMaker Pipelines
- Hands-On Lab: Using SageMaker Pipelines and SageMaker Model Registry with SageMaker Studio
- SageMaker model inference options
- Scaling
- Testing strategies, performance, and optimization
- Hands-On Lab: Inferencing with SageMaker Studio
- Modul 5: Monitoring
- Amazon SageMaker Model Monitor
- Discussion: Case study
- Demonstration: Model Monitoring
- Module 3: Model Development (continued)
-
Tag 3
- Modul 6: Managing SageMaker Studio Resources and Updates
- Accrued cost and shutting down
- Updates
- Capstone
- Environment setup
- Challenge 1: Analyze and prepare the dataset with SageMaker Data Wrangler
- Challenge 2: Create feature groups in SageMaker Feature Store
- Challenge 3: Perform and manage model training and tuning using SageMaker Experiments
- (Optional) Challenge 4: Use SageMaker Debugger for training performance and model optimization
- Challenge 5: Evaluate the model for bias using SageMaker Clarify
- Challenge 6: Perform batch predictions using model endpoint
- (Optional) Challenge 7: Automate full model development process using SageMaker Pipeline
- Modul 6: Managing SageMaker Studio Resources and Updates
WICHTIG: Bitte bringen Sie zu unseren Trainings Ihr Notebook (Windows, Linux oder Mac) mit. Wenn dies nicht möglich ist, nehmen Sie bitte mit uns vorher Kontakt auf.
Kursunterlagen sind auf Englisch, auf Wunsch auch auf Deutsch (wenn verfügbar).
Kurssprache ist Deutsch, auf Wunsch auch auf Englisch.