Bereitstellung von Machine-Learning-Modellen in der Produktion – eLearning
450,00 EUR
- 20 hours
Schließen Sie die Lücke zwischen der Entwicklung von Machine-Learning-Modellen und deren Einsatz in realen Produktionsumgebungen mit diesem Training zur Bereitstellung von Machine-Learning-Modellen. Dieser praxisorientierte Kurs wurde für angehende KI- und Data-Professionals entwickelt und vermittelt Ihnen, wie Sie Machine-Learning-Lösungen mithilfe moderner Deployment-, API-, Cloud- und MLOps-Verfahren in den operativen Betrieb überführen.
Hauptfunktionen
Sprache
Kurs und Materialien auf Englisch
Stufe
Anfänger- bis Mittelstufenniveau
5 Stunden Video-on-Demand
1 Jahr Zugang zur Lernplattform
15 geführte praktische Übungen
16 automatisch bewertete Prüfungen
20 Wiederholungsquizze
2 umfassende Aufgaben
Über 20 Stunden empfohlene Lernzeit
Bescheinigung über den Abschluss des Programms enthalten
Lernergebnisse
Am Ende dieses Kurses werden Sie Folgendes verstehen können:
Erstellen
Erstelle Machine-Learning-Modelle von Grund auf
AWS
AWS SageMaker Studio und Jupyter Notebook einrichten
Bereitstellen
Stellen Sie Echtzeit-Endpunkte bereit und verwalten Sie Bereinigungsprozesse
Entwickeln
Skripte für Batch-Inferenz mit Batch Transform entwickeln
Debuggen
Anwendungsprobleme mit Jupyter Notebook debuggen
MLOps
Implementieren Sie MLOps-Workflows auf AWS mit SageMaker
Kurszeitplan
Einführung
Lektion 01
- Was ist Modellbereitstellung?
- Arten der Modellauslieferung
- Wie wählt man den Modellbereitstellungstyp aus?
AWS SageMaker
Lektion 02
- AWS SageMaker-Äquivalent auf GCP und Azure
- Melden Sie sich bei Ihrem AWS-Konto an
- Einrichten von AWS SageMaker Studio
- Jupyter in SageMaker Studio öffnen
Modelltraining
Lektion 03
- Das Unterrichts-Repository klonen
- Daten werden heruntergeladen – Teil
- Explorative Datenanalyse und Feature Engineering
- Code zum Trainieren des Basismodells
- Modell lokal testen
- SageMaker-Trainingsjob
- Hyperparameter-Optimierung
- Ergebnisse analysieren
SageMaker-Echtzeitinferenz
Lektion 04
- Architektur von SageMaker-Echtzeitinferenz
- Das Inferenzskript erstellen
- Echtzeit-Bereitstellung von Endpunkten
- Modell aufrufen
- Bereinigung
- Einführung in Multi-Model-Endpunkte
- Bereitstellen eines Multi-Model-Endpunkts
- Den Multi-Model-Endpunkt aufrufen
- Einführung in Serverless
- Bereitstellung als serverloses Inferenzsystem
SageMaker Batch Transform
Lektion 05
- Architektur von SageMaker Batch Transform
- Erstellen des Inferenzskripts für Batch Transform
- Einen Batch-Transformationsauftrag auslösen
- Ergebnisse analysieren
MLOps auf SageMaker
Lektion 06
- MLOps: Machine-Learning-Operations
- MLOps in der AWS-Cloud mit SageMaker implementieren
- Erstellen Sie ein MLOps-Projekt mit einer SageMaker-Vorlage
- SageMaker-Projektvorlagen-Code
- Anwendungsfehler mit Jupyter Notebook debuggen
- Codeänderungen pushen, um CI/CD auszulösen
- Teste den Endpunkt
- Bereinigung
Für wen ist dieses Programm geeignet?
Machine-Learning-Ingenieure
Datenwissenschaftler
KI-Ingenieure
Python-Entwickler
DevOps- und MLOps-Fachleute
Softwareentwickler, die mit KI-Anwendungen arbeiten
Voraussetzungen
- Grundlegendes Verständnis von Machine-Learning-Konzepten
- Vertrautheit mit der Python-Programmierung
- Grundkenntnisse über APIs und Webanwendungen (empfohlen)
- Ein grundlegendes Verständnis von Cloud- oder Software-Bereitstellungskonzepten ist von Vorteil
Aussagen
Lizenzierung und Akkreditierung
Dieser Kurs wird gemäß der Partnerprogramm-Vereinbarung angeboten und entspricht den Anforderungen der Lizenzvereinbarung.
Gleichstellungspolitik
Kandidaten werden ermutigt, sich während des gesamten Anpassungsprozesses für Beratung und Unterstützung an das AVC zu wenden.
Häufig gestellte Fragen
Benötigen Sie Unternehmenslösungen oder eine LMS-Integration?
Haben Sie nicht den Kurs oder das Programm gefunden, das für Ihr Unternehmen geeignet wäre? Benötigen Sie eine LMS-Integration? Schreiben Sie uns! Wir werden alles lösen!