COGNOS - Capacitación

MLOps Engineering on AWS

Código: AWS-027

Este curso se basa y amplía la práctica de DevOps predominante en el desarrollo de software para construir, entrenar e implementar modelos de aprendizaje automático (ML). El curso enfatiza la importancia de los datos, modelos y código para implementaciones exitosas de ML. Demostrará el uso de herramientas, automatización, procesos y trabajo en equipo para abordar los desafíos asociados con las transferencias entre ingenieros de datos, científicos de datos, desarrolladores de software y operaciones. El curso también discutirá el uso de herramientas y procesos para monitorear y tome medidas cuando la predicción del modelo en producción comience a desviarse del rendimiento clave acordado indicadores.

Propuesta de Valor: AWS (AMAZON WEB SERVICES)

Duración: 24 Horas

Áreas de Conocimiento:

CLOUD DESARROLLO Y PROGRAMACION

Exportar Contenido a PDF

AUDIENCIA

Ingenieros de plataformas de datos de ML
Desarrolladores/personal de operaciones con la responsabilidad de hacer operativos los modelos ML
Ingenieros DevOps

PRE REQUISITOS

Culminar el curso AWS Technical Essentials
Culminar el curso DevOps Engineering on AWS o tener experiencia equivalente
Culminar el curso Practical Data Science with Amazon SageMaker o tener experiencia equivalente

OBJETIVOS

Cómo implementar sus propios modelos en la nube de AWS
Cómo automatizar flujos de trabajo para crear, entrenar, probar e implementar modelos de ML
Las diferentes estrategias de implementación para implementar modelos ML en producción
Cómo monitorear la deriva de datos y la deriva de conceptos que podrían afectar la predicción y la alineación con las expectativas comerciales

CERTIFICACIÓN DISPONIBLE

Certificado oficial de AWS.
Este curso lo prepara para el examen: AWS Certified Machine Learning - Specialty (MLS-C01)

CONTENIDO

1. INTRODUCCIÓN A MLOPS

1.1. OPERACIONES DE APRENDIZAJE AUTOMÁTICO
1.2. OBJETIVOS DE MLOPS
1.3. COMUNICACIÓN
1.4. DE DEVOPS A MLOPS
1.5. FLUJO DE TRABAJO DE APRENDIZAJE AUTOMÁTICO
1.6. ALCANCE
1.7. VISTA MLOPS DEL FLUJO DE TRABAJO DE ML
1.8. CASOS MLOPS

2. DESARROLLO DE MLOPS

2.1. INTRODUCCIÓN A LA CREACIÓN, CAPACITACIÓN Y EVALUACIÓN DE MODELOS DE APRENDIZAJE AUTOMÁTICO
2.2. SEGURIDAD MLOPS
2.3. AUTOMATIZACIÓN
2.4. FLUJO DE AIRE DE APACHE
2.5. INTEGRACIÓN DE KUBERNETES PARA MLOPS
2.6. AMAZON SAGEMAKER PARA MLOPS
2.7. LABORATORIO: TRAIGA SU PROPIO ALGORITMO A UNA CANALIZACIÓN DE MLOPS
2.8. DEMOSTRACIÓN: AMAZON SAGEMAKER
2.9. INTRODUCCIÓN A LA CREACIÓN, CAPACITACIÓN Y EVALUACIÓN DE MODELOS DE APRENDIZAJE AUTOMÁTICO
2.10. LABORATORIO: CODIFIQUE Y SIRVA SU MODELO ML CON AWS CODEBUILD
2.11. ACTIVIDAD: LIBRO DE TRABAJO DEL PLAN DE ACCIÓN DE MLOPS

3. IMPLEMENTACIÓN DE MLOPS

3.1. INTRODUCCIÓN A LAS OPERACIONES DE DESPLIEGUE
3.2. EMBALAJE MODELO
3.3. INFERENCIA
3.4. LABORATORIO: IMPLEMENTE SU MODELO EN PRODUCCIÓN
3.5. VARIANTES DE PRODUCCIÓN DE SAGEMAKER
3.6. ESTRATEGIAS DE DESPLIEGUE
3.7. IMPLEMENTACIÓN HASTA EL BORDE
3.8. LABORATORIO: REALIZAR PRUEBAS A/B

4. MODELO DE MONITOREO Y OPERACIONES

4.1. LABORATORIO: SOLUCIONE LOS PROBLEMAS DE SU CANALIZACIÓN
4.2. LA IMPORTANCIA DE MONITOREAR
4.3. MONITOREO POR DISEÑO
4.4. LABORATORIO: SUPERVISE SU MODELO DE ML
4.5. HUMAN-IN-THE-LOOP
4.6. MONITOR DE MODELOS DE AMAZON SAGEMAKER
4.7. DEMOSTRACIÓN: AMAZON SAGEMAKER PIPELINES, MODEL MONITOR, MODEL REGISTRY Y FEATURE TIENDA
4.8. RESOLVER LOS PROBLEMAS
4.9. ACTIVIDAD: LIBRO DE TRABAJO DEL PLAN DE ACCIÓN DE MLOPS

5. RESUMEN

5.1. REVISIÓN DEL CURSO
5.2. RECAPITULACIÓN

AWS (AMAZON WEB SERVICES)