In diesem Kurs wirst du dich mit den Kernelementen des Modelltrainingsprozesses befassen und lernen, wie du die für deine spezifischen Trainingsanforderungen am besten geeignete Rechenumgebung auswählst. Du wirst Amazon SageMaker und das vorgefertigte Deep-Learning-Framework Docker-Container und Docker-Images der ML-Bibliothek kennenlernen, die eine effiziente Möglichkeit bieten, deine Modelle zu entwickeln und zu trainieren.

Darüber hinaus sammelst du praktische Erfahrung in der Entwicklung von Modellen für maschinelles Lernen mithilfe der in SageMaker integrierten Algorithmen und Bibliotheken. Du lernst auch, den SageMaker-Skriptmodus zu verwenden, der beliebte Frameworks wie Apache MXNet, TensorFlow und PyTorch unterstützt. Dieser Kurs vermittelt dir das Wissen und die Fähigkeiten, um diese leistungsstarken Tools und Frameworks zu verwenden, damit du robuste und genaue Modelle erstellen kannst.

Darüber hinaus lernst du verschiedene Techniken zur Verkürzung der Modelltrainingszeit kennen. Dies ist ein entscheidender Aspekt bei der Optimierung der Gesamtleistung und Effizienz deiner Machine-Learning-Workflows. Am Ende dieses Kurses wirst du den Modelltrainingsprozess verstehen. Schließlich lernst du, fundierte Entscheidungen zu treffen, wenn du die geeignete Rechenumgebung, Frameworks und Optimierungsstrategien für deine spezifischen Anwendungsfälle auswählst.

Kursstufe: Fortgeschritten
Dauer: 1,5 Stunden

Aktivitäten

Online-Materialien
Übungen
Fragen zum Wissenscheck

Kursziele

Die wichtigsten Elemente des Modelltrainingsprozesses definieren.
Basierend auf den spezifischen Anforderungen die beste Computing-Umgebung für das Training auswählen.
Die vorgefertigten Docker-Container des Deep-Learning-Frameworks von SageMaker identifizieren.
Die vorgefertigten Docker-Images der SageMaker-ML-Bibliothek identifizieren.
ML-Modelle mithilfe der in SageMaker integrierten ML-Algorithmen und -Bibliotheken entwickeln.
ML-Modelle mit Amazon SageMaker Studio entwickeln.
ML-Modelle mithilfe des SageMaker-Skriptmodus und unterstützter Frameworks wie Apache MXNet, TensorFlow und PyTorch entwickeln.
Gängige Methoden zur Verkürzung der Modelltrainingsdauer beschreiben.
Beschreiben, wie externe Modelle in SageMaker integriert werden.

Zielgruppe

Cloud-Architekten
Machine Learning Engineers

Empfohlene Fähigkeiten

Mindestens 1 Jahr Erfahrung mit SageMaker und anderen AWS-Services für ML-Engineering abgeschlossen
Du hast mindestens ein Jahr Erfahrung in einer verwandten Position wie Backend-Softwareentwickler, DevOps-Entwickler, Dateningenieur oder Datenwissenschaftler vorzuweisen
Ein grundlegendes Verständnis von Programmiersprachen wie Python
Frühere Kurse im AWS ML Engineer Associate Learning Plan absolviert

Kursübersicht

Abschnitt 1: Einführung

Lektion 1: Verwendung dieses Kurses
Lektion 2: Kursübersicht
Lektion 3: Modelltrainingskonzepte

Abschnitt 2: Rechenumgebungen

Lektion 4: Auswahl der Computerumgebung
Lektion 5: AWS Container Services

Abschnitt 3: Ein Modell trainieren

Lektion 6: Einen Trainingsjob mit der Amazon SageMaker-Konsole erstellen
Lektion 7: Ein Modell mit einem in SageMaker integrierten Algorithmus trainieren
Lektion 8: Ein Modell im SageMaker-Skriptmodus trainieren
Lektion 9: Methoden zur Verkürzung der Trainingszeit

Abschnitt 4: Externe Modelle