Corso The Machine Learning Pipeline on AWS

Obiettivi | Certificazione | Contenuti | Tipologia | Prerequisiti | Durata e Frequenza | Docenti | Modalità di Iscrizione | Calendario

Il Corso The Machine Learning Pipeline on AWS (MLDWTS) è progettato per i professionisti IT che desiderano imparare come creare pipeline di machine learning scalabili e automatizzate utilizzando Amazon SageMaker e altri servizi AWS correlati. I partecipanti acquisiranno le conoscenze e le competenze necessarie per progettare, implementare e gestire pipeline di machine learning che integrano tecnologie di data engineering e machine learning. Al termine del corso, i partecipanti saranno in grado di implementare pipeline di machine learning end-to-end, dall’ingestione dei dati alla formazione e alla distribuzione del modello. Il corso contribuisce alla preparazione per la Certificazione AWS Certified Machine Learning – Specialty.

Obiettivi del corso

Di seguito una sintesi degli obiettivi principali del corso Corso The Machine Learning Pipeline on AWS (MLDWTS):

• Imparare a creare pipeline di machine learning scalabili e automatizzate con Amazon SageMaker e altri servizi AWS.
• Acquisire competenze per progettare, implementare e gestire pipeline che integrano tecnologie di data engineering e machine learning.
• Implementare pipeline di machine learning end-to-end, dall’ingestione dei dati alla formazione e distribuzione del modello.
• Integrare tecnologie di data engineering e machine learning nelle pipeline.
• Gestire l’intero ciclo di vita delle pipeline di machine learning, dalla creazione alla distribuzione.

Certificazione del corso

Esame AWS Certified Machine Learning – Specialty;
L’esame di certificazione AWS Certified Machine Learning – Specialty (MLS-C01) è progettato per valutare le competenze avanzate dei candidati nella progettazione, implementazione e gestione di soluzioni di machine learning su AWS. L’esame copre tematiche come la scelta degli algoritmi appropriati, la preparazione dei dati, la formazione e il perfezionamento dei modelli, e il deployment e l’ottimizzazione delle soluzioni di machine learning.
L’obiettivo principale è garantire che i candidati dimostrino una conoscenza approfondita delle best practice e delle soluzioni avanzate AWS per lo sviluppo di applicazioni di machine learning. Durante l’esame, i candidati affronteranno argomenti quali la progettazione di architetture scalabili e sicure, l’uso di servizi AWS come SageMaker e l’integrazione con altri servizi AWS per l’analisi dei dati.

Contenuti del corso

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

Tipologia

Corso di Formazione con Docente

Docenti

I docenti sono Istruttori accreditati Amazon AWS e certificati in altre tecnologie IT, con anni di esperienza pratica nel settore e nella Formazione.

Infrastruttura laboratoriale

Per tutte le tipologie di erogazione, il Corsista può accedere alle attrezzature e ai sistemi presenti nei Nostri laboratori o direttamente presso i data center del Vendor o dei suoi provider autorizzati in modalità remota h24. Ogni partecipante dispone di un accesso per implementare le varie configurazioni avendo così un riscontro pratico e immediato della teoria affrontata. Ecco di seguito alcuni scenari tratti dalle attività laboratoriali:

Dettagli del corso

Prerequisiti

Si consiglia la partecipazione ai seguenti corsi:

• AWS Technical Essentials
• Python Developer

Durata del corso

• Durata Estensiva 30 Ore;
• Durata Intensiva 4gg;

Frequenza

Varie tipologie di Frequenza Estensiva ed Intensiva.

Date del corso

• The Machine Learning Pipeline on AWS (Formula Intensiva) – Su Richiesta – 09:00/17:00

Le iscrizioni sono a numero chiuso per garantire ai tutti i partecipanti un servizio eccellente. L’iscrizione avviene richiedendo di essere contattati dal seguente Link, o contattando la sede al numero verde 800-177596 o inviando una richiesta all’email [email protected].