Lerne die AWS ML-Stack-Ebenen kennen und erfahre, wie du mit AWS AI-Services gängige geschäftliche Herausforderungen meistern kannst. In diesem Kurs lernst du, wie du Amazon SageMaker für Machine-Learning-Aufgaben nutzen kannst und wie du Strategien zur Auswahl geeigneter Modelle überprüfst.

Außerdem geht dieser Kurs auf bestimmte Szenarien für vortrainierte Amazon SageMaker JumpStart ML-Lösungen ein und zeigt, wie du die Auswahl für deine geschäftlichen Anforderungen optimieren kannst. In diesem Kurs werden auch spezifische Anwendungen für vortrainierte Amazon Bedrock ML-Lösungen behandelt und wie du die am besten geeignete integrierte Lösung findest. Abschließend wird in diesem Kurs die Bedeutung der Interpretierbarkeit bei der Auswahl von Modellen und Algorithmen untersucht.

Kursstufe: Fortgeschritten
Dauer: 1,5 Stunden

Aktivitäten

Online-Materialien
Übungen 6–9:
Fragen zur Wissensüberprüfung

Kursziele

Die Vorteile und Anwendungsfälle für jede Ebene des AWS Machine Learning-Stacks klar darzulegen.
Zu erklären, wie AWS-Dienste für künstliche Intelligenz (KI) (AWS AI-Services) bei der Lösung häufiger geschäftlicher Probleme helfen.
AWS AI-Services zur Lösung häufiger geschäftlicher Anforderungen auszuwählen.
Die Vorteile der Verwendung von Amazon SageMaker für Machine Learning zu beschreiben.
Spezifische Anwendungsfälle für die integrierten Algorithmen von SageMaker zu identifizieren.
Die geeignetsten Algorithmen für Machine-Learning-Modelle zur Lösung häufiger geschäftlicher Anforderungen auszuwählen.
Spezifische Anwendungsfälle für vortrainierte Amazon SageMaker JumpStart-Lösungen für Machine Learning zu identifizieren.
Die am besten geeignete integrierte Machine-Learning-Lösung von Amazon SageMaker JumpStart zur Lösung gängiger Geschäftsanforderungen auszuwählen.
Die Rolle der Interpretierbarkeit bei der Auswahl von Modellen oder Algorithmen zu beschreiben.
Die kosteneffizientesten Modelle oder Algorithmen zur Lösung gängiger Geschäftsanforderungen auszuwählen.

Zielgruppe

Cloud-Architekten
Machine Learning Engineers

Empfohlene Fähigkeiten

Mindestens 1 Jahr Erfahrung mit SageMaker und anderen AWS-Services für ML-Engineering (abgeschlossen)
Mindestens 1 Jahr Erfahrung in einer verwandten Position wie Backend-Softwareentwickler, DevOps-Entwickler, Dateningenieur oder Datenwissenschaftler (abgeschlossen).
Ein grundlegendes Verständnis von Programmiersprachen wie Python
Frühere Kurse im AWS ML Engineer Associate-Lernplan absolviert