Practical Data Science with Amazon SageMaker

Practical Data Science with Amazon SageMakerPDSASMAWAmazon Web ServicesAW-PDSASM3<ul> <li>Bereiten Sie einen Datensatz für das Training vor</li><li>Trainieren und bewerten Sie ein Machine Learning Modell</li><li>Automatisches Abstimmen eines Machine Learning-Modells</li><li>Ein Machine Learning-Modell für die Produktion vorbereiten</li><li>Kritische Betrachtung der Ergebnisse von Machine Learning-Modellen</li></ul><ul> <li>Vertrautheit mit der Programmiersprache Python</li><li>Grundlegendes Verständnis von Machine Learning</li></ul><ul> <li>Entwickler</li><li>Datenwissenschaftler</li></ul>Modul 1: Einführung in maschinelles Lernen <ul> <li>Arten von ML</li><li>Job-Rollen in ML</li><li>Schritte in der ML-Pipeline</li></ul>Modul 2: Einführung in Data Prep und SageMaker <ul> <li>Trainings- und Testdatensatz definiert</li><li>Einführung in SageMaker</li><li>Demo: SageMaker-Konsole</li><li>Demo: Starten eines Jupyter-Notizbuchs</li></ul>Modul 3: Problemformulierung und Datensatzvorbereitung <ul> <li>Geschäftliche Herausforderung: Kundenabwanderung</li><li>Überprüfung des Datensatzes zur Kundenabwanderung</li></ul>Modul 4: Datenanalyse und -visualisierung <ul> <li>Demo: Laden und Visualisieren Ihres Datensatzes</li><li>Übung 1: Merkmale mit Zielvariablen in Beziehung setzen</li><li>Übung 2: Beziehungen zwischen Attributen</li><li>Demo: Bereinigung der Daten</li></ul>Modul 5: Training und Auswertung eines Modells <ul> <li>Arten von Algorithmen</li><li>XGBoost und SageMaker</li><li>Demo 5: Training der Daten</li><li>Übung 3: Fertigstellung der Definition des Schätzers</li><li>Übung 4: Einstellung von Hyperparametern</li><li>Übung 5: Einsetzen des Modells</li><li>Demo: Hyperparameter-Abstimmung mit SageMaker</li><li>Demo: Bewertung der Modellleistung</li></ul>Modul 6: Automatisches Abstimmen eines Modells <ul> <li>Automatische Abstimmung der Hyperparameter mit SageMaker</li><li>Übungen 6-9: Tuning Jobs</li></ul>Modul 7: Bereitstellung/Produktionsbereitschaft <ul> <li>Bereitstellen eines Modells für einen Endpunkt</li><li>A/B-Einsatz für Tests</li><li>Automatische Skalierung Skalierung</li><li>Demo: Automatische Skalierung konfigurieren und testen</li><li>Demo: Hyperparameter-Abstimmungsauftrag prüfen</li><li>Demo: AWS Auto-Skalierung</li><li>Übung 10-11: Einrichten von AWS Autoscaling</li></ul>Modul 8: Relative Kosten von Fehlern <ul> <li>Kosten der verschiedenen Fehlerarten</li><li>Demo: Binäre Klassifizierung - Cutoff</li></ul>Modul 9: Amazon SageMaker Architektur und Funktionen <ul> <li>Zugriff auf Amazon SageMaker-Notebooks in einer VPC</li><li>Amazon SageMaker Batch-Transformationen</li><li>Amazon SageMaker Ground Truth</li><li>Amazon SageMaker Neo</li></ul>Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <a class="fl-href-prod" href="/swisscom/en/course/amazon-pdsasm"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>hier</a>.- Bereiten Sie einen Datensatz für das Training vor - Trainieren und bewerten Sie ein Machine Learning Modell - Automatisches Abstimmen eines Machine Learning-Modells - Ein Machine Learning-Modell für die Produktion vorbereiten - Kritische Betrachtung der Ergebnisse von Machine Learning-Modellen- Vertrautheit mit der Programmiersprache Python - Grundlegendes Verständnis von Machine Learning- Entwickler - DatenwissenschaftlerModul 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 NeoDieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.1 Tag675.00590.00750.00750.00795.00495.00495.00465.00465.00465.00495.00495.00750.002000.00600.00750.002610.00750.00750.00750.00900.00870.00930.00865.00