概述
學習如何擴展 DevOps 實務,以建立、訓練及部署機器學習模型。
- 本課程建立並擴展軟體開發中普遍的 DevOps 實務,用於建構、訓練及部署機器學習(ML)模型。
- 課程強調資料、模型與程式碼對成功部署機器學習的重要性。
- 它將展示工具、自動化、流程與團隊合作的運用,以應對資料工程師、資料科學家、軟體開發者與營運之間交接所帶來的挑戰。
- 課程也將討論如何運用工具與流程來監控並採取行動,當生產中的模型預測開始偏離約定的關鍵績效指標時。
Kornerstone 是 AWS 授權培訓夥伴,提供、提供及/或整合官方 AWS 培訓,包括教室及數位課程。
無論您的團隊偏好從現場講師、隨選課程學習,或兩者兼有,ATP 都為各級學習者提供廣泛的 AWS 培訓選項。
為什麼選擇 KORNERSTONE
- 經認證、由實務人員主導的專家證書培訓師,提供高品質的培訓
- 官方訓練資料包含
- 實務、情境導向學習——著重應用,而非僅理論
- 優秀的通過率
涵蓋技能
- 描述機器學習操作
- 了解 DevOps 與 MLOps 之間的主要差異
- 描述機器學習工作流程
- 討論溝通在MLOps中的重要性
- 說明機器學習工作流程自動化的端對端選項
- 列出 Amazon SageMaker 對 MLOps 自動化的主要功能
- 建立自動化機器學習流程,負責建置、訓練、測試並部署模型
- 建立一個自動化的機器學習流程,根據模型程式碼的變更重新訓練模型
- 識別部署過程中的要素與重要步驟
- 描述模型套件中可能包含的項目,以及它們在訓練或推論中的應用
- 認識 Amazon SageMaker 選擇模型部署選項,包括支援機器學習框架、內建演算法或自帶模型
- 區分機器學習中的擴展性與其他應用的擴展性
- 判斷何時使用不同的推論方法
- 討論部署策略、優點、挑戰及典型使用案例
- 描述在將機器學習部署到邊緣裝置時所面臨的挑戰
- 認識與部署與推論相關的重要 Amazon SageMaker 功能
- 說明監測的重要性
- 偵測底層輸入資料中的資料漂移
- 示範如何監控機器學習模型的偏見
- 說明如何監控模型資源消耗與延遲
- 討論如何將模型結果的人工審查整合進生產流程
先決條件
必修條件:
- AWS-TE: AWS 技術要點
- AWS DevOps: AWS 上的 DevOps 工程
- AWS-PDSASM:與亞馬遜 SageMaker 合作的實用資料科學
目標受眾
- 機器學習資料平台工程師
- DevOps 工程師
- 負責機器學習模型實際化的開發人員/營運人員
培訓大綱
模組0:歡迎
- 課程介紹
模組 1:MLOps 簡介
- 機器學習操作
- MLOps 的目標
- 通訊
- 從 DevOps 到 MLOps
- 機器學習工作流程
- 範圍
- MLOps 機器學習工作流程視圖
- MLOps 案件
模組二:MLOps 開發
- 導論:建構、訓練與評估機器學習模型
- MLOps 安全性
- 自動化
- Apache 氣流
- MLOps 的 Kubernetes 整合
- Amazon SageMaker 用於 MLOps
- Lab:將您自己的演算法帶入 MLOps 管線
- 示範:Amazon SageMaker
- 導論:建構、訓練與評估機器學習模型
- 實驗室:用 AWS CodeBuild 編寫並服務你的機器學習模型
- 活動:MLOps 行動計畫工作手冊
模組 3:MLOps 部署
- 部署作業簡介
- 模型包裝
- 推論
- Lab:將您的模型部署到生產環境
- SageMaker 量產變體
- 部署策略
- 部署到邊緣
- 實驗室:進行A/B測試
- 活動:MLOps 行動計畫工作手冊
模組四:模型監控與操作
- 實驗室:排解你的管線問題
- 監測的重要性
- 設計上的監控
- 實驗室:監控你的機器學習模型
- 人在循環中
- Amazon SageMaker 型號監視器
- 示範:Amazon SageMaker 管線、模型監控器、模型登錄與功能
商店 - 解決問題
- 活動:MLOps 行動計畫工作手冊
模組五:總結
- 課程回顧
- 活動:MLOps 行動計畫工作手冊
- 總結
日期與地點

考試與認證
本課程沒有直接相關的考試。然而,AWS 提供豐富的業界認可認證組合,能幫助你在技術專業及更廣泛的領域中脫穎而出。取得 AWS 證照是驗證技能並加速職涯發展的最有效方式之一。
在我們專家主導的訓練下,您將準備好:
- 掌握雲端、資料與人工智慧及資安等領域的需求能力——這些領域推動全球數位轉型。
- 以全球知名且受雇主認可的資格證明你的專業。
- 透過提升信譽、增加收入潛力,並開啟新機會之門,推進你的職涯。





