AWS - MLOps Engineering on AWS

Next Date:
08.07.2024 - 09:00 - 16:00 Uhr
Course ends on:
10.07.2024
Total Duration:
24 Stunden in 3 Tage
Internship:
Nein
Teaching Languages:
  • Deutsch
Type of Course:
  • Weiterbildung 
Type of Provision:
  • E-Learning 
Execution Time:
  • Tagesveranstaltung
min. Participants:
1
max. Participants:
8
Price:
€2,374.05 - Inklusive Schulungsunterlagen und Pausenversorgung
Funding:
  • Bildungsscheck Brandenburg für Beschäftigte 
  • Betriebliche Weiterbildung Brandenburg 
Type of Qualification:
Zertifikat/Teilnahmebestätigung 
Final Examination:
Nein
Qualification Title:
keine Angaben
Certifications of the Course:
  • Nicht zertifiziert
Courses for Women only:
Nein
Childcare:
Nein
Link to Course:
Quantity of Details:
Suchportal Standard nicht erfüllt - further information

Target Groups:
DevOps Engineers ML Engineers Entwickler/Betriebe mit Verantwortung für die Operationalisierung von ML-Modellen
Professional Requirements:
<b>Erforderlich:</b> - 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)
Technical Requirements:
Keine besonderen Anforderungen.
Classification of the Federal Employment Agency:
  • C 1430-10-10 System-, Netzwerkadministration - allgemein

Contents

- Einführung in MLOps
- - Operationen des maschinellen Lernens
- - Ziele von MLOps
- - Kommunikation
- - Von DevOps zu MLOps
- - ML-Arbeitsablauf
- - Umfang
- - MLOps-Sicht auf den ML-Workflow
- - MLOps-Fälle
- MLOps-Entwicklung
- - Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
- - MLOps-Sicherheit
- - Automatisieren
- - Apache Airflow
- - Kubernetes-Integration für MLOps
- - Amazon SageMaker für MLOps
- - Bringen Sie Ihren eigenen Algorithmus in eine MLOps-Pipeline ein
- - Amazon SageMaker
- - Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
- - Code und Bereitstellung Ihres ML-Modells mit AWS CodeBuild
- - Das Arbeitsbuch zum MLOps-Aktionsplan
- MLOps-Bereitstellung
- - Einführung in die Bereitstellungsvorgänge
- - Modell-Paketierung
- - Inferenz
- - Einsetzen des Modells in der Produktion
- - SageMaker Produktionsvarianten
- - Strategien für den Einsatz
- - Einsatz an der Grenze
- - Durchführen von A/B-Tests
- - MLOps-Aktionsplan Arbeitsbuch
- Modellüberwachung und Betrieb
- - Fehlersuche in Ihrer Pipeline
- - Die Bedeutung der Überwachung
- - Überwachung durch Design
- - Überwachen Sie Ihr ML-Modell
- - Human-in-the-loop
- - Amazon SageMaker Modell-Monitor
- - Amazon SageMaker Pipelines, Model Monitor, Model Registry und Feature Store
- - Lösen des Problems/der Probleme
- - Das MLOps Action Plan Workbook
- Nachbereitung
- - Nachbearbeitung der MLOps-Aktionsplan-Arbeitsmappe

All statements without guarantee. The providers are solely responsible for the correctness of the given information.

Published on 26.03.2024, last updated on 29.05.2024