← Retour aux formations
Intelligence Artificielle & Data
Data Science pratique sur AWS avec Amazon SageMaker : préparation des données, entraînement, évaluation et déploiement de modèles ML
Intermédiaire
À propos de cette formation
Développeurs d'applications et ingénieurs DevOps souhaitant collaborer efficacement avec des data scientists et intégrer des solutions de Machine Learning dans leurs applications.
Objectifs de la formation
- Comparer les avantages des différents types de Machine Learning pour répondre aux enjeux métier
- Décrire l'organisation d'une équipe ML : processus, rôles et responsabilités
- Expliquer comment les data scientists exploitent les outils AWS pour résoudre des problèmes métier concrets
- Décrire les étapes de préparation des données dans un projet ML
- Décrire les étapes d'entraînement d'un modèle ML
- Décrire les étapes d'évaluation et d'optimisation d'un modèle ML
- Déployer un modèle sur un point de terminaison et déclencher des prédictions
- Identifier les défis opérationnels liés à la mise en production de modèles ML
- Associer chaque outil AWS à son rôle dans un pipeline ML
Programme détaillé
Module 1 — Introduction au Machine Learning
- Avantages du Machine Learning
- Types d'approches du Machine Learning
- Cadrer un problème métier
- Qualité de prédiction
- Processus, rôles et responsabilités dans un projet ML
Module 2 — Préparation des données
- Analyse et préparation des données
- Outils de préparation des données
- Démonstration : revue d'Amazon SageMaker Studio et des Notebooks
- Travaux pratiques : préparer des données avec SageMaker Data Wrangler
Module 3 — Entraîner un modèle
- Étapes pour entraîner un modèle
- Choix d'un algorithme
- Entraînement d'un modèle dans Amazon SageMaker
- Amazon CodeWhisperer
- Démonstration : utilisation d'Amazon CodeWhisperer dans SageMaker Studio Notebooks
- Travaux pratiques : entraîner un modèle avec Amazon SageMaker
Module 4 — Évaluer et optimiser un modèle
- Évaluation d'un modèle ML
- Réglage du modèle et optimisation des hyperparamètres
- Travaux pratiques : optimisation de modèles et réglage des hyperparamètres avec Amazon SageMaker
Module 5 — Déployer un modèle
- Processus de déploiement de modèles ML
- Travaux pratiques : déploiement d'un modèle sur un point de terminaison en temps réel et génération d'une prédiction
Module 6 — Défis opérationnels
- ML responsable
- Équipes ML et MLOps
- Automatisation des pipelines ML
- Surveillance des modèles en production
- Mise à jour des modèles : tests et stratégies de déploiement
Module 7 — Autres outils de création de modèles
- Panorama des outils AWS selon les compétences et les besoins métier
- Machine Learning no-code avec Amazon SageMaker Canvas
- Démonstration : Amazon SageMaker Canvas
- Amazon SageMaker Studio Lab
- Démonstration : SageMaker Studio Lab
- Travaux pratiques (optionnel) : intégration d'une application web avec un point de terminaison Amazon SageMaker
Prérequis
Avoir suivi la formation AWS Technical Essentials. Connaissances de base en Python et en statistiques. Support de cours officiel en anglais — bonne compréhension de l'anglais écrit requise.