Suche
Close this search box.

MLOps Engineering on AWS

Dieser Kurs baut auf der in der Softwareentwicklung vorherrschenden DevOps-Praxis auf und erweitert sie, um Modelle für maschinelles Lernen (ML) zu erstellen, zu trainieren und bereitzustellen. Die Bedeutung von Daten, Modellen und Code für erfolgreiche ML-Bereitstellungen wird vermittelt. Im Kurs wird der Einsatz von Tools, Automatisierung, Prozessen und Teamwork demonstriert, um die Herausforderungen zu bewältigen, die mit Übergaben zwischen Dateningenieuren, Datenwissenschaftlern, Softwareentwicklern und dem Betrieb verbunden sind. Die Verwendung von Werkzeugen und Prozessen zur Überwachung und Ergreifung von Maßnahmen wird diskutiert, wenn die Modellvorhersage in der Produktion von vereinbarten Leistungskennzahlen abweicht.

Physisch oder virtuell?

Nehmen Sie an einem unserer Standorte Frankfurt, München und Wien oder virtuell an unseren Klassenraumtrainings teil. Unter „Termin buchen“ werden Ihnen alle Optionen angezeigt, zuerst sortiert nach Standort, dann nach Datum.

Dauer
3
Trainingssprache
Deutsch
Trainingsart
Nicht verfügbar

Was werden Sie in diesem Training erlernen?

Beschreiben Sie die Abläufe des maschinellen Lernens Verstehen der Hauptunterschiede zwischen DevOps und MLOps Beschreiben Sie den Arbeitsablauf beim maschinellen Lernen Erörterung der Bedeutung der Kommunikation in MLOps Erläutern der End-to-End-Optionen für die Automatisierung von ML-Arbeitsabläufen Auflisten der wichtigsten Amazon SageMaker-Funktionen für die MLOps-Automatisierung Erstellen eines automatisierten ML-Prozesses, der Modelle erstellt, trainiert, testet und einsetzt Erstellen eines automatisierten ML-Prozesses, der das Modell aufgrund von Änderungen am Modellcode neu trainiert Identifizierung von Elementen und wichtigen Schritten im Bereitstellungsprozess Beschreiben Sie die Elemente, die in einem Modellpaket enthalten sein können, und ihre Verwendung beim Training oder bei der Inferenz Erkennen der Amazon SageMaker-Optionen für die Auswahl von Modellen für den Einsatz, einschließlich der Unterstützung für ML-Frameworks und eingebaute Algorithmen oder Bring-your-own-Modelle Unterscheidung der Skalierung beim maschinellen Lernen von der Skalierung bei anderen Anwendungen Bestimmen Sie, wann Sie verschiedene Ansätze zur Inferenz verwenden sollten Diskussion von Einsatzstrategien, Vorteilen, Herausforderungen und typischen Anwendungsfällen Beschreiben Sie die Herausforderungen bei der Bereitstellung von maschinellem Lernen für Edge-Geräte Erkennen wichtiger Amazon SageMaker-Funktionen, die für den Einsatz und die Schlussfolgerung relevant sind Beschreiben Sie, warum Überwachung wichtig ist

Agenda

Module 1: Security on AWS
Machine learning operations
Goals of MLOps
Communication
From DevOps to MLOps
ML workflow
Scope
MLOps view of ML workflow
MLOps cases
Module 1: Security on AWS
Machine learning operations
Goals of MLOps
Communication
From DevOps to MLOps
ML workflow
Scope
MLOps view of ML workflow
MLOps cases
Module 1: Security on AWS
Machine learning operations
Goals of MLOps
Communication
From DevOps to MLOps
ML workflow
Scope
MLOps view of ML workflow
MLOps cases
Module 2: MLOps Development
Intro to build, train, and evaluate machine learning models
MLOps security
Automating
Apache Airflow
Kubernetes integration for MLOps
Amazon SageMaker for MLOps
Lab: Bring your own algorithm to an MLOps pipeline
Demonstration: Amazon SageMaker
Intro to build, train, and evaluate machine learning models
Lab: Code and serve your ML model with AWS CodeBuild
Activity: MLOps Action Plan Workbook
Module 2: MLOps Development
Intro to build, train, and evaluate machine learning models
MLOps security
Automating
Apache Airflow
Kubernetes integration for MLOps
Amazon SageMaker for MLOps
Lab: Bring your own algorithm to an MLOps pipeline
Demonstration: Amazon SageMaker
Intro to build, train, and evaluate machine learning models
Lab: Code and serve your ML model with AWS CodeBuild
Activity: MLOps Action Plan Workbook
Module 2: MLOps Development
Intro to build, train, and evaluate machine learning models
MLOps security
Automating
Apache Airflow
Kubernetes integration for MLOps
Amazon SageMaker for MLOps
Lab: Bring your own algorithm to an MLOps pipeline
Demonstration: Amazon SageMaker
Intro to build, train, and evaluate machine learning models
Lab: Code and serve your ML model with AWS CodeBuild
Activity: MLOps Action Plan Workbook
Module 3: MLOps Deployment
Introduction to deployment operations
Model packaging
Inference
Lab: Deploy your model to production
SageMaker production variants
Deployment strategies
Deploying to the edge
Lab: Conduct A/B testing
Activity: MLOps Action Plan Workbook
Module 3: MLOps Deployment
Introduction to deployment operations
Model packaging
Inference
Lab: Deploy your model to production
SageMaker production variants
Deployment strategies
Deploying to the edge
Lab: Conduct A/B testing
Activity: MLOps Action Plan Workbook
Module 3: MLOps Deployment
Introduction to deployment operations
Model packaging
Inference
Lab: Deploy your model to production
SageMaker production variants
Deployment strategies
Deploying to the edge
Lab: Conduct A/B testing
Activity: MLOps Action Plan Workbook
Module 4: Model Monitoring and Operations
Lab: Troubleshoot your pipeline
The importance of monitoring
Monitoring by design
Lab: Monitor your ML model
Human-in-the-loop
Amazon SageMaker Model Monitor
Demonstration: Amazon SageMaker Pipelines, Model Monitor, model registry, and Feature Store
Solving the Problem(s)
Activity: MLOps Action Plan Workbook
Module 4: Model Monitoring and Operations
Lab: Troubleshoot your pipeline
The importance of monitoring
Monitoring by design
Lab: Monitor your ML model
Human-in-the-loop
Amazon SageMaker Model Monitor
Demonstration: Amazon SageMaker Pipelines, Model Monitor, model registry, and Feature Store
Solving the Problem(s)
Activity: MLOps Action Plan Workbook
Module 4: Model Monitoring and Operations
Lab: Troubleshoot your pipeline
The importance of monitoring
Monitoring by design
Lab: Monitor your ML model
Human-in-the-loop
Amazon SageMaker Model Monitor
Demonstration: Amazon SageMaker Pipelines, Model Monitor, model registry, and Feature Store
Solving the Problem(s)
Activity: MLOps Action Plan Workbook
Module 5: Wrap-up
Course review
Activity: MLOps Action Plan Workbook
Wrap-up
Module 5: Wrap-up
Course review
Activity: MLOps Action Plan Workbook
Wrap-up
Module 5: Wrap-up
Course review
Activity: MLOps Action Plan Workbook
Wrap-up
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications
  • Group Exercise: Review Architecting on AWS core best practices
  • AWS Organizations for multi-account access and permissions
  • AWS SSO to simplify access and authentication across AWS accounts and third-party services
  • AWS Control Tower
  • Permissions, access, and authentication
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications
DevOps Engineers ML Engineers Entwickler/Betriebe mit Verantwortung für die Operationalisierung von ML-Modellen
AWS Technical Essentials DevOps Engineering on AWS Practical Data Science with Amazon SageMaker
AWS

2.685,00 €

Startdatum und Ort wählen

FirmenSeminare

Maßgeschneiderte Trainings für Ihr Unternehmen

  • Von Ihnen bestimmte Inhalte
  • Zertifizierte Trainer
  • Ortsunabhängig

Wir bieten alle Trainings auch als Firmenseminare an. Dabei können Sie das Training auf den Bedarf und das Team Ihres Unternehmens abstimmen. Zusammen mit unseren Trainern planen Sie die Inhalte und bestimmen Ort sowie Zeit des Trainings. Wir beraten Sie gerne, um Ihre Teilnehmer optimal zu schulen.

Jetzt persönliche Beratung anfordern

Jetzt kontaktieren!
brainymotion
Trainingsmethoden
Folgen Sie uns

Terminübersicht