Ten kurs jest przeznaczony dla następujących osób, które są odpowiedzialne za wdrażanie modeli uczenia maszynowego do produkcji w chmurze AWS:
-
Inżynierowie DevOps
-
Inżynierowie ML
-
Programiści/operacje odpowiedzialni za operacjonalizację modeli ML.
W tym kursie nauczysz się:
-
Opisać operacje związane z uczeniem maszynowym (MLOps)
-
Zrozumieć kluczowe różnice między DevOps a MLOps
-
Opisać przepływ pracy w uczeniu maszynowym
-
Omówić znaczenie komunikacji w MLOps
-
Wyjaśnić opcje automatyzacji przepływów pracy ML end-to-end
-
Wymienić kluczowe funkcje Amazon SageMaker dla automatyzacji MLOps
-
Zbudować zautomatyzowany proces ML, który buduje, trenuje, testuje i wdraża modele
-
Zbudować zautomatyzowany proces ML, który przeprowadza ponowny trening modelu na podstawie zmian w kodzie modelu
-
Zidentyfikować elementy i ważne kroki w procesie wdrażania
-
Opisać elementy, które mogą być zawarte w pakiecie modelu oraz ich zastosowanie w treningu lub wnioskowaniu
-
Rozpoznać opcje Amazon SageMaker dotyczące wyboru modeli do wdrożenia, w tym wsparcie dla frameworków ML oraz wbudowanych algorytmów lub modelów typu bring-your-own-model
-
Rozróżnić skalowanie w uczeniu maszynowym od skalowania w innych aplikacjach
-
Określić, kiedy należy używać różnych podejść do wnioskowania
-
Omówić strategie wdrażania, korzyści, wyzwania oraz typowe przypadki użycia
-
Opisać wyzwania związane z wdrażaniem modeli uczenia maszynowego na urządzeniach brzegowych
-
Rozpoznać istotne funkcje Amazon SageMaker związane z wdrażaniem i wnioskowaniem
-
Opisać, dlaczego monitoring jest ważny
-
Wykrywać dryft danych w podstawowych danych wejściowych
-
Pokazać, jak monitorować modele ML pod kątem stronniczości
-
Wyjaśnić, jak monitorować zużycie zasobów przez model i jego opóźnienia
-
Omówić, jak integrować przeglądy wyników modeli przez ludzi w produkcji.
Dzień 1
Moduł 0: Powitanie
-
Wprowadzenie do kursu
Moduł 1: Wprowadzenie do MLOps
-
Operacje związane z uczeniem maszynowym
-
Cele MLOps
-
Komunikacja
-
Od DevOps do MLOps
-
Workflow ML
-
Zakres
-
Perspektywa MLOps w workflow ML
-
Przykłady MLOps
Moduł 2: Rozwój w MLOps
-
Wprowadzenie do budowy, trenowania i oceny modeli uczenia maszynowego
-
Bezpieczeństwo w MLOps
-
Automatyzacja
-
Apache Airflow
-
Integracja Kubernetes z MLOps
-
Amazon SageMaker w MLOps
-
Laboratorium: Wykorzystaj swój własny algorytm w pipeline MLOps
-
Demonstracja: Amazon SageMaker
-
Wprowadzenie do budowy, trenowania i oceny modeli uczenia maszynowego
-
Laboratorium: Koduj i udostępniaj swój model ML z AWS CodeBuild
-
Aktywność: Plan działania MLOps
Dzień 2
Moduł 3: Wdrażanie w MLOps
-
Wprowadzenie do operacji wdrożeniowych
-
Pakowanie modelu
-
Inference
-
Laboratorium: Wdrożenie modelu do produkcji
-
Produkcyjne warianty SageMaker
-
Strategie wdrażania
-
Wdrażanie na urządzenia brzegowe
-
Laboratorium: Testowanie A/B
-
Aktywność: Plan działania MLOps
Dzień 3
Moduł 4: Monitorowanie modeli i operacje
-
Laboratorium: Rozwiązywanie problemów w pipeline
-
Znaczenie monitorowania
-
Monitorowanie w projekcie
-
Laboratorium: Monitorowanie modelu ML
-
Human-in-the-loop
-
Amazon SageMaker Model Monitor
-
Demonstracja: Amazon SageMaker Pipelines, Model Monitor, rejestr modeli i Feature Store
-
Rozwiązywanie problemów
-
Aktywność: Plan działania MLOps
Moduł 5: Podsumowanie
-
Podsumowanie kursu
-
Aktywność: Plan działania MLOps
-
Zakończenie.
Wymagane:
-
Kurs AWS Technical Essentials (klasowy lub cyfrowy)
-
Kurs DevOps Engineering on AWS lub równoważne doświadczenie
-
Kurs Practical Data Science with Amazon SageMaker lub równoważne doświadczenie
Zalecane:
-
Kurs Elements of Data Science (kurs cyfrowy) lub równoważne doświadczenie
-
Kurs Machine Learning Terminology and Process (kurs cyfrowy).
- Polski.