AWS-Serverlose und ereignisgesteuerte Pipelines für maschinelles Lernen

Moderne Machine-Learning-Modelle erfordern eine skalierbare, zuverlässige und kostengünstige Infrastruktur, um Inferenzen auszuführen und Workflows zu orchestrieren. Durch den Übergang von lokalen Skripts zu produktionsbereiten, ereignisgesteuerten Pipelines auf AWS können Sie die Ausführung automatisieren, ohne Server verwalten zu müssen. In diesem schriftlichen Kurs lernen Sie, wie Sie serverlose AWS-Komponenten entwerfen, konfigurieren und verbinden, um Aufgaben für maschinelles Lernen zu orchestrieren. Sie beginnen mit den grundlegenden Konzepten der ereignisgesteuerten Architektur und des serverlosen Computings, bevor Sie zu praktischen Konfigurationen für die Datenverarbeitung und die Modellorchestrierung übergehen. Was Sie lernen werden: - Verstehen Sie die Grundprinzipien des serverlosen Computings und der ereignisgesteuerten Architektur. - Konfigurieren Sie AWS Lambda-Funktionen, um leichte Datenvorverarbeitungs- und Modellinferenzaufgaben auszulösen. - Verwalten Sie asynchrone Nachrichtenwarteschlangen und Entkopplung mit SQS, um die Zuverlässigkeit der Pipeline sicherzustellen. - Koordinieren Sie komplexe, mehrstufige ML-Workflows mit Step Functions-Zustandsmaschinen. - Leiten Sie Echtzeit-Ereignisse über Ihre Pipeline mit EventBridge-Regeln. - Wenden Sie moderne Infrastruktur-as-Code-Konzepte und Beobachtungspraktiken an, um serverlose Workloads zu überwachen. Der Kurs beginnt mit grundlegenden Definitionen von serverlosen Services und ereignisgesteuerten Mustern. Anschließend gehen Sie Schritt für Schritt durch schriftliche Anleitungen und Architekturszenarien und lernen, wie Sie jede Komponente in eine kohärente, automatisierte Machine-Learning-Pipeline einbinden. Dieser textbasierte Kurs richtet sich an Softwareentwickler, Data Scientists und Cloud-Einsteiger, die automatisierte Workflows auf AWS erstellen möchten. Es sind keine Vorkenntnisse in der Cloud-Architektur erforderlich. Lesen Sie noch heute weiter, um die Grundlagen der serverlosen Orchestrierung von Machine Learning zu erlernen.