Niveau

Intermédiaire

Prix

2430 Euros HT

Editeur

Durée

3 jours

Public visé

• Ingénieurs en apprentissage automatique qui ont peut-être peu d’expérience préalable avec AWS

Prérequis

• Connaissance des concepts fondamentaux de l’apprentissage automatique
• Maîtrise du langage de programmation Python et des bibliothèques courantes en science des données telles que NumPy, Pandas et Scikit-learn
• Connaissance de base des concepts de cloud computing et familiarité avec AWS
• Expérience des systèmes de contrôle de version tels que Git (un atout)

Objectifs

• Expliquer les principes fondamentaux du ML et ses applications dans le cloud AWS.
• Traiter, transformer et structurer les données pour les tâches de ML à l’aide des services AWS.
• Sélectionner les algorithmes de ML et les approches de modélisation appropriés en fonction des exigences du problème et de l’interprétabilité du modèle.
• Concevoir et implémenter des pipelines de ML évolutifs en utilisant les services AWS pour l’entraînement, le déploiement et l’orchestration des modèles.
• Créer des pipelines d’intégration et de déploiement continus (CI/CD) automatisés pour les flux de travail de ML.
• Discuter des mesures de sécurité appropriées pour les ressources de ML sur AWS.
• Mettre en œuvre des stratégies de surveillance pour les modèles de ML déployés, y compris des techniques de détection de la dérive des données

JOUR 1

Module 0 : Introduction au cours

Module 1 : Introduction au Machine Learning (ML) sur AWS

Module 2 : Analyse des défis du Machine Learning (ML)

Module 3 : Traitement des données pour le Machine Learning (ML)

Module 4 : Transformation des données et ingénierie des 

LAB 1 : Analyse et préparation des données avec Amazon SageMaker Data Wrangler et Amazon EMR

LAB 2 : Traitement des données avec SageMaker Processing et le SDK Python de SageMaker

JOUR 2

Module 5 : Choisir une approche de modélisation

Module 6 : Entraînement des modèles de Machine Learning (ML)

LAB 3 : Entraînement d’un modèle avec Amazon SageMaker AI

Module 7 : Évaluation et optimisation des modèles de Machine Learning (ML)

LAB 4 : Optimisation du modèle et des hyperparamètres avec Amazon SageMaker AI

Module 8 : Stratégies de déploiement des modèles

LAB 5 : Gestion du trafic

JOUR 3

Module 9 : Sécurisation des ressources AWS Machine Learning (ML)

Module 10 : Opérations de Machine Learning (MLOps) et déploiement automatisé

LAB 6 : Utilisation d’Amazon SageMaker Pipelines et d’Amazon SageMaker Model Registry avec Amazon SageMaker Studio

Module 11 : Surveillance des performances des modèles et de la qualité des données

LAB 7 : Surveillance de la dérive des données d’un modèle

Module 12 : Conclusion du cours