- Następny termin:
- 12.08.2024 - 09:00 - 16:00 Uhr
- Oferta wygasa w dniu:
- 15.08.2024
- Łączny czas trwania:
- 32 Stunden in 4 Tage
- Praktyka:
- Nein
- Język wykładowy:
- Deutsch
- Rodzaj szkolenia:
- Weiterbildung
- Forma oferty:
- E-Learning
- Czas przeprowadzania zajęć:
- Tagesveranstaltung
- Min. ilość uczestników:
- 1
- Maks. ilość uczestników:
- 8
- Cena:
- 3 796,10 € - Inklusive Schulungsunterlagen und Pausenversorgung
- Finansowanie:
- Bildungsscheck Brandenburg für Beschäftigte
- Betriebliche Weiterbildung Brandenburg
- Rodzaj dyplomu:
- Zertifikat/Teilnahmebestätigung
- Egzamin końcowy:
- Nein
- Rodzaj świadectwa ukończenia:
- keine Angaben
- Certyfikaty oferty:
- Nicht zertifiziert
- Oferty tylko dla kobiet:
- Nein
- Organizatorzy oferujący opieką dla dzieci:
- Nein
- Link do oferty:
- Zum Angebot auf der Anbieter-Website
- Jakość informacji:
- Suchportal Standard nicht erfüllt - dalsze informacje
- Grupy docelowe:
- Developers Solutions Architects Data Engineers Mitarbeiter, die wenig bis keine Erfahrung mit ML hat und die ML-Pipeline mit Amazon SageMaker kennenlernen möchten.
- Wymagania specjalistyczne:
- - Grundkenntnisse der Programmiersprache Python - Grundlegendes Verständnis der AWS-Cloud-Infrastruktur (Amazon S3 und Amazon CloudWatch) - Grundlegende Erfahrung mit der Arbeit in einer Jupyter-Notebook-Umgebung
- Wymagania techniczne:
- Keine besonderen Anforderungen.
- Systematyka agencji zatrudnienia:
- C 1430-10-10 System-, Netzwerkadministration - allgemein
Treści
- Module 0: Introduction
- - Pre-assessment
- Module 1: Introduction to Machine Learning and the ML Pipeline
- - Overview of machine learning, including use cases, types of machine learning, and key concepts
- - Overview of the ML pipeline
- - Introduction to course projects and approach
- Module 2: Introduction to Amazon SageMaker
- - Introduction to Amazon SageMaker
- - Demo: Amazon SageMaker and Jupyter notebooks
- - Hands-on: Amazon SageMaker and Jupyter notebooks
- Module 3: Problem Formulation
- - Overview of problem formulation and deciding if ML is the right solution
- - Converting a business problem into an ML problem
- - Demo: Amazon SageMaker Ground Truth
- - Hands-on: Amazon SageMaker Ground Truth
- - Practice problem formulation
- - Formulate problems for projects
- Module 4: Preprocessing
- - Overview of data collection and integration, and techniques for data preprocessing and visualization
- - Practice preprocessing
- - Preprocess project data
- - Class discussion about projects
- Module 5: Model Training
- - Choosing the right algorithm
- - Formatting and splitting your data for training
- - Loss functions and gradient descent for improving your model
- - Demo: Create a training job in Amazon SageMaker
- Module 6: Model Evaluation
- - How to evaluate classification models
- - How to evaluate regression models
- - Practice model training and evaluation
- - Train and evaluate project models
- - Initial project presentations
- Module 7: Feature Engineering and Model Tuning
- - Feature extraction, selection, creation, and transformation
- - Hyperparameter tuning
- - Demo: SageMaker hyperparameter optimization
- - Practice feature engineering and model tuning
- - Apply feature engineering and model tuning to projects
- - Final project presentations
- Module 8: Deployment
- - How to deploy, inference, and monitor your model on Amazon SageMaker
- - Deploying ML at the edge
- - Demo: Creating an Amazon SageMaker endpoint
- - Post-assessment
- - Course wrap-up
Wszystkie informacje bez gwarancji. Za poprawność informacji odpowiadają wyłącznie organizatorzy.
Po raz pierwszy opublikowano dnia 20.06.2024, Ostatnia aktualizacja 12.08.2024