Szkolenie AWS AI/ML
Poziom
ŚredniozaawansowanyCzas
16h / 2 dniTermin
IndywidualnieCena
IndywidualnieSzkolenie AWS AI/ML
Szkolenie z narzędzi AI/ML na Amazon Web Services (AWS) to intensywny, dwudniowy kurs, który koncentruje się na praktycznym zastosowaniu usług AWS do przygotowania danych, trenowania i oceny modeli predykcyjnych oraz budowy prototypów rozwiązań generatywnej AI. Program szkolenia jest tak zaprojektowany, aby 80% czasu poświęcone było na praktyczne warsztaty, a 20% na teorię. Uczestnicy pracują z Amazon SageMaker AI, SageMaker Autopilot, Amazon Bedrock, Knowledge Bases, Agents i Guardrails. Zakres obejmuje pracę w środowisku laboratoryjnym, walidację, metryki jakości, podstawy obserwowalności oraz analizę ograniczeń i ryzyk.
Dla kogo jest szkolenie AWS AI/ML?
Programistów, inżynierów danych i inżynierów chmurowych, którzy chcą tworzyć rozwiązania ML i generatywnej AI w środowisku AWS-
Data scientistów i inżynierów ML, którzy chcą trenować, oceniać i udostępniać modele za pomocą Amazon SageMaker AI
-
Technicznych członków zespołów rozwijających prototypy wykorzystujące Amazon Bedrock, RAG i agentów AI
Wymagane umiejętności technologiczne:
Praktyczna znajomość Pythona, obejmująca funkcje, moduły, środowiska wirtualne oraz pracę z biblioteką pandas i notebookami Jupyter-
Znajomość podstaw uczenia maszynowego, w tym podziału danych na zbiory treningowe i testowe, klasyfikacji lub regresji oraz podstawowych metryk jakości
-
Podstawowa znajomość konsoli AWS, Amazon S3, ról AWS IAM oraz sposobu integracji usług za pomocą API lub AWS Lambda
Czego nauczysz się na tym szkoleniu?
- Skonfigurujesz warsztatowe środowisko AWS z rolami IAM i dostępem do Amazon S3, Amazon SageMaker AI oraz Amazon Bedrock zgodnie z zasadą najmniejszych uprawnień
- Przygotujesz zbiór danych, wykonasz eksploracyjną analizę danych oraz wytrenujesz i porównasz model predykcyjny w SageMaker AI i SageMaker Autopilot z użyciem właściwego podziału danych i metryk
- Uruchomisz model na testowym endpointcie SageMaker AI, zbierzesz logi i metryki w Amazon CloudWatch oraz zdefiniujesz podstawowy plan monitorowania jakości
- Zbudujesz prototyp rozwiązania w Amazon Bedrock z RAG lub agentem, zastosujesz Guardrails i przeprowadzisz testy jakości, bezpieczeństwa oraz ograniczeń odpowiedzi
Program szkolenia
Dzień 1: AWS AI/ML i predykcyjne uczenie maszynowe
Moduł 1: Podstawy AWS AI/ML
- Ekosystem AWS dla AI/ML: rola Amazon S3, AWS Glue, Amazon Athena, Amazon SageMaker AI, Amazon Bedrock i Amazon CloudWatch w przepływie pracy
- Tożsamość i dostęp w AWS: użytkownicy, role usługowe, polityki IAM, zakres uprawnień, zasada najmniejszych uprawnień i podstawy kontroli kosztów
Moduł 2: Dane i eksploracyjna analiza danych (EDA)
- Dane w Amazon S3: formaty CSV i Parquet, struktura bucketów, schematy, partycje, brakujące wartości, duplikaty i kryteria jakości
- Eksploracyjna analiza danych z AWS Glue, Amazon Athena i AWS SDK for pandas: katalog danych, zapytania SQL, statystyki opisowe, rozkłady, korelacje i anomalie
Moduł 3: Modele w Amazon SageMaker AI
- Środowisko Amazon SageMaker AI: notebooki, zadania przetwarzania i treningu, obrazy kontenerowe, role wykonawcze, artefakty modeli i rejestr eksperymentów
- SageMaker Autopilot: typ zadania, zmienna docelowa, automatyczna inżynieria cech, walidacja, ranking modeli, metryki jakości i raporty wyjaśnialności
- Endpoint SageMaker AI: konfiguracja inferencji czasu rzeczywistego, warianty modelu, rejestr predykcji, logi, metryki Amazon CloudWatch, alarmy i podstawy monitorowania jakości
Moduł 4: Warsztat: pierwszy model predykcyjny
- Eksperyment ML na rzeczywistym zbiorze danych: zbiory treningowy, walidacyjny i testowy, model bazowy, parametry, artefakty i praktyki reprodukowalności
- Ocena modelu: metryki klasyfikacji lub regresji, macierz pomyłek, analiza błędów, wyniki dla segmentów danych, interpretowalność, ograniczenia i ryzyko niewłaściwego użycia
Dzień 2: Amazon Bedrock i generatywna sztuczna inteligencja
Moduł 5: Podstawy generatywnej sztucznej inteligencji
- Amazon Bedrock i modele bazowe: architektura usługi, dostęp do modeli, przypadki użycia, okno kontekstowe, tokeny, parametry inferencji, koszty, prywatność danych i kryteria doboru modelu
Moduł 6: Zaawansowane techniki generatywnej AI
- Metody pracy z modelami bazowymi: szablony promptów, role, przykłady few-shot, parametry generacji, ustrukturyzowane odpowiedzi, ocena rezultatów oraz granice prompt engineeringu i dostrajania modeli
- RAG w Amazon Bedrock Knowledge Bases: źródła danych, podział dokumentów, embeddings, indeks wektorowy, mechanizm wyszukiwania, reranking, cytowania, trafność kontekstu i jakość odpowiedzi
- Agenci Amazon Bedrock: instrukcje, grupy akcji, schematy API, funkcje AWS Lambda, bazy wiedzy, pamięć, orkiestracja, role IAM, audyt przebiegu i kontrola zakresu działań
Moduł 7: Bezpieczeństwo w świecie GenAI
- Amazon Bedrock Guardrails: filtry treści, tematy zabronione, ochrona informacji wrażliwych, kontrola uziemienia odpowiedzi, testy odporności, rejestr ryzyk i granice zastosowania
Moduł 8: Warsztat: generatywna sztuczna inteligencja w praktyce
- Prototyp aplikacji w Amazon Bedrock: wybór modelu bazowego, szablon promptu, mechanizm RAG lub agent, Guardrails, zestaw testowy, metryki jakości, analiza halucynacji, koszt inferencji i dokumentacja ograniczeń
