Szkolenia AWS

Cel szkolenia

kod: AWS-MLEAWS | wersja: 1.0.1

Machine Learning (ML) Engineering on Amazon Web Services (AWS) is a 3-day intermediate course designed for ML professionals seeking to learn machine learning engineering on AWS. Participants learn to build, deploy, orchestrate, and operationalize ML solutions at scale through a balanced combination of theory, practical labs, and activities. Participants will gain practical experience using AWS services such as Amazon SageMaker AI and analytics tools such as Amazon EMR to develop robust, scalable, and production-ready machine learning applications.

 

Course objectives

In this course, you will learn to do the following:

  • Explain ML fundamentals and its applications in the AWS Cloud.
  • Process, transform, and engineer data for ML tasks by using AWS services.
  • Select appropriate ML algorithms and modeling approaches based on problem requirements and model interpretability.
  • Design and implement scalable ML pipelines by using AWS services for model training, deployment, and orchestration.
  • Create automated continuous integration and delivery (CI/CD) pipelines for ML workflows.
  • Discuss appropriate security measures for ML resources on AWS.
  • Implement monitoring strategies for deployed ML models, including techniques for detecting data drift.

 

Intended audience

This course is designed for professionals who are interested in building, deploying, and operationalizing machine learning models on AWS. This could include current and in-training machine learning engineers who might have little prior experience with AWS. Other roles that can benefit from this training are DevOps engineer, developer, and SysOps engineer.

Plan szkolenia Rozwiń listę

  • Module 1: Introduction to Machine Learning (ML) on AWS
    • Introduction to ML
    • Amazon SageMaker AI
    • Responsible ML
  • Module 2: Analyzing Machine Learning (ML) Challenges
    • Evaluating ML business challenges
    • ML training approaches
    • ML training algorithms
  • Module 3: Data Processing for Machine Learning (ML)
    • Data preparation and types
    • Exploratory data analysis
    • AWS storage options and choosing storage
  • Module 4: 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
  • Module 5: Choosing a Modeling Approach
    • Amazon SageMaker AI built-in algorithms
    • Selecting built-in training algorithms
    • Amazon SageMaker Autopilot
    • Model selection considerations
    • ML cost considerations
  • Module 6: Training Machine Learning (ML) Models
    • Model training concepts
    • Training models in Amazon SageMaker AI
    • Lab 3: Training a model with Amazon SageMaker AI
  • Module 7: 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
  • Module 8: 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
  • Module 9: Securing AWS Machine Learning (ML) Resources
    • Access control
    • Network access controls for ML resources
    • Security considerations for CI/CD pipelines
  • Module 10: 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
  • Module 11: 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
  • Module 12: Course Wrap-up
Pobierz konspekt szkolenia w formacie PDF

Dodatkowe informacje

Wymagania wstępne

We recommend that attendees of this course have the following:

  • Familiarity with basic machine learning concepts
  • Working knowledge of Python programming language and common data science libraries such as NumPy, Pandas, and Scikit-learn
  • Basic understanding of cloud computing concepts and familiarity with AWS
  • Experience with version control systems such as Git (beneficial but not required)
Poziom trudności
Czas trwania 3 dni
Certyfikat

The participants will obtain certificates signed by AWS (course completion).

This course also helps you prepare for the AWS Certified Machine Learning Engineer – Associate MLA-C01 exam and this way gain the AWS Certified Machine Learning Engineer – Associate title – associate level. AWS certification exams are offered at Pearson Vue test centers worldwide https://home.pearsonvue.com/Clients/AWS.aspx
Prowadzący

AWS Authorized Instructor (AAI)

Pozostałe szkolenia AWS | AI and Machine Learning

Wszystkie szkolenia AWS
Formularz kontaktowy

Prosimy o wypełnienie poniższego formularza, jeśli chcą Państwo uzyskać więcej informacji o powyższym szkoleniu.





* pola oznaczone (*) są wymagane

Informacje o przetwarzaniu danych przez Compendium – Centrum Edukacyjne Spółka z o.o.

CENA SZKOLENIA OD 4500 PLN NETTO

AWS Skill Builder Team Subscription

Najbliższe szkolenia AWS

  • 2026-01-21 | 3 dni | Kraków / Wirtualna sala

    DevOps Engineering on AWS
    szkolenie dostępne w wersji stacjonarnej we wskazanej lokalizacji lub w trybie zdalnym, w zależności od preferencji uczestnika: HYBRID
  • 2026-01-21 | 3 dni | Warszawa / Wirtualna sala

    DevOps Engineering on AWS
    szkolenie dostępne w wersji stacjonarnej we wskazanej lokalizacji lub w trybie zdalnym, w zależności od preferencji uczestnika: HYBRID
  • 2026-01-23 | 1 dzień | Kraków / Wirtualna sala

    AWS Security Essentials
    szkolenie dostępne w wersji stacjonarnej we wskazanej lokalizacji lub w trybie zdalnym, w zależności od preferencji uczestnika: HYBRID
  • 2026-01-23 | 1 dzień | Warszawa / Wirtualna sala

    AWS Security Essentials
    szkolenie dostępne w wersji stacjonarnej we wskazanej lokalizacji lub w trybie zdalnym, w zależności od preferencji uczestnika: HYBRID
  • 2026-01-26 | 1 dzień | Warszawa / Wirtualna sala

    Networking Essentials for Cloud Applications on AWS
    szkolenie dostępne w wersji stacjonarnej we wskazanej lokalizacji lub w trybie zdalnym, w zależności od preferencji uczestnika: HYBRID
  • 2026-01-30 | 1 dzień | Kraków / Virtual Classroom

    AWS Technical Essentials
    szkolenie dostępne w wersji stacjonarnej we wskazanej lokalizacji lub w trybie zdalnym, w zależności od preferencji uczestnika: HYBRID
  • 2026-01-30 | 1 dzień | Warszawa / Virtual Classroom

    AWS Technical Essentials
    szkolenie dostępne w wersji stacjonarnej we wskazanej lokalizacji lub w trybie zdalnym, w zależności od preferencji uczestnika: HYBRID
  • 2026-02-02 | 3 dni | Kraków / Wirtualna sala

    Security Engineering on AWS
    szkolenie dostępne w wersji stacjonarnej we wskazanej lokalizacji lub w trybie zdalnym, w zależności od preferencji uczestnika: HYBRID
  • 2026-02-03 | 3 dni | Kraków / Wirtualna sala

    Architecting on AWS
    szkolenie dostępne w wersji stacjonarnej we wskazanej lokalizacji lub w trybie zdalnym, w zależności od preferencji uczestnika: HYBRID
  • 2026-02-03 | 3 dni | Warszawa / Wirtualna sala

    Architecting on AWS
    szkolenie dostępne w wersji stacjonarnej we wskazanej lokalizacji lub w trybie zdalnym, w zależności od preferencji uczestnika: HYBRID
Harmonogram szkoleń AWS