Kursüberblick
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.
Der Dozent ermutigt die Teilnehmer dieses Kurses, einen MLOps-Aktionsplan für ihre Organisation durch tägliche Reflexion der Unterrichts- und Laborinhalte sowie durch Gespräche mit Kollegen und Dozenten zu erstellen.
Zielgruppe
- DevOps Engineers
- ML Engineers
- Entwickler/Betriebe mit Verantwortung für die Operationalisierung von ML-Modellen
Voraussetzungen
Erforderlich:
- AWS Technical Essentials (AWSE)
- DevOps Engineering on AWS (AWSDEVOPS)
- Practical Data Science with Amazon SageMaker (PDSASM)
Zusätzlich Empfohlen:
- The Elements of Data Science (digitaler Kurs) oder gleichwertige Erfahrung
- Machine Learning Terminology and Process (digitaler Kurs)
Kursinhalt
- Module 0: Welcome
- Module 1: Introduction to MLOps
- Module 2: MLOps Development
- Module 3: MLOps Deployment
- Module 4: Model Monitoring and Operations
- Module 5: Wrap-up