Curso Machine Learning Engineering on AWS

AWS-MLE
Intermedio

Este curso está diseñado para profesionales de Machine Learning (ML) que desean aprender soluciones de ingeniería de Machine Learning en AWS.
Los participantes aprenderán a construir, desplegar, orquestar y operacionalizar soluciones de ML a gran escala, combinando teoría, laboratorios prácticos y actividades. Adquirirán experiencia práctica utilizando los servicios de AWS como Amazon SageMaker AI y herramientas analíticas como Amazon EMR para desarrollar aplicaciones de Machine Learning robustas, escalables y listas para producción.

Próximos inicios

No disponibles en este momento.

Objetivos

Conocer los fundamentos de ML y sus aplicaciones en la nube de AWS.
Procesar, transformar y preparar datos para tareas de ML usando los servicios de AWS.
Seleccionar algoritmos y enfoques de modelado adecuados según los requisitos del problema.
Diseñar e implementar pipelines de ML escalables utilizando los servicios de AWS para entrenamiento, despliegue y orquestación del modelo.
Crear pipelines automáticos de integración y entrega continua (CI/CD) para flujos de ML.
Aplicar medidas de seguridad para recursos de ML en AWS.
Implementar estrategias de monitorización para modelos desplegados, incluyendo técnicas para la detección de data drift.

Dirigido a

Este curso está diseñado para profesionales interesados en construir, desplegar y operacionalizar modelos de Machine Learning en AWS:

Ingenieros de ML en activo o en formación (aunque tengan poca experiencia en AWS)
Ingenieros DevOps
Desarrolladores
Ingenieros SysOps

Requisitos

Es recomendable tener:

Familiaridad con los conceptos básicos de Machine Learning.
Conocimientos de programación Python y librerías de data science como NumPy, Pandas y Scikit-learn.
Conceptos básicos de computación en la nube y familiaridad con AWS.
Experiencia con sistemas de control de versiones como Git (beneficioso pero no obligatorio).

Contenidos

Módulo 1: Course Introduction

Módulo 2: Introduction to Machine Learning (ML) on AWS

Introduction to ML
Amazon SageMaker AI
Responsible ML

Módulo 3: Analyzing Machine Learning (ML) Challenges

Evaluating ML business challenges
ML training approaches
ML training algorithms

Módulo 4: Data Processing for Machine Learning (ML)

Data preparation and types
Exploratory data analysis
AWS storage options and choosing storage

Módulo 5: Data Transformation and Feature Engineering

Handling incorrect, duplicated, and missing data
Feature engineering concepts
Feature selection techniques
AWS data transformation services
Lab 1: Analyze and Prepare Data with Amazon SageMaker Data Wrangler and Amazon EMR
Lab 2: Data Processing Using SageMaker Processing and the SageMaker Python SDK

Módulo 6: Choosing a Modeling Approach

Amazon SageMaker AI built-in algorithms
Selecting built-in training algorithms
Amazon SageMaker Autopilot
Model selection considerations
ML cost considerations

Módulo 7: Training Machine Learning (ML) Models

Model training concepts
Training models in Amazon SageMaker AI
Lab 3: Training a model with Amazon SageMaker AI

Módulo 8: Evaluating and Tuning Machine Learning (ML) models

Evaluating model performance
Techniques to reduce training time
Hyperparameter tuning techniques
Lab 4: Model Tuning and Hyperparameter Optimization with Amazon SageMaker AI

Módulo 9: Model Deployment Strategies

Deployment considerations and target options
Deployment strategies
Choosing a model inference strategy
Container and instance types for inference
Lab 5: Shifting Traffic A/B

Módulo 10: Securing AWS Machine Learning (ML) Resources

Access control
Network access controls for ML resources
Security considerations for CI/CD pipelines

Módulo 11: Machine Learning Operations (MLOps) and Automated Deployment

Introduction to MLOps
Automating testing in CI/CD pipelines
Continuous delivery services
Lab 6: Using Amazon SageMaker Pipelines and the Amazon SageMaker Model Registry with Amazon SageMaker Studio

Módulo 12: Monitoring Model Performance and Data Quality

Detecting drift in ML models
SageMaker Model Monitor
Monitoring for data quality and model quality
Automated remediation and troubleshooting
Lab 7: Monitoring a Model for Data Drift

Módulo 13: Course Wrap-up

Material del curso

Documentación oficial del curso Machine Learning Engineering on AWS.

Perfil del docente

Formador certificado por AWS.
Más de 5 años de experiencia profesional.
Más de 4 años de experiencia docente.
Profesional activo en empresas del sector IT.

Beneficios para tu formación

Haz click aquí y descubre los descuentos, promociones y ayudas disponibles para tu formación tecnológica.

Descargar programa

Descargar matrícula