Mise en pratique de la Data Science avec Amazon SageMaker

Ce cours d'un niveau intermédiaire est destiné aux Développeurs et Data Scientists.

A l'issue de cette formation, les participants auront étudié les points suivants :

• Introduction au Machine Learning : Apprendre les bases de du Machine Learning et la façon dont il peut résoudre les problèmes de l'entreprise. Avantages des différents types de machine learning pour résoudre les problèmes que rencontrent les entreprises
• Préparation des données : Comprendre comment préparer et prétraiter les données pour les modèles de ML.
• Entraînement et évaluation des modèles : Acquérir une expérience pratique de la formation et de l'évaluation des modèles de ML.
• Mise au point du modèle : Apprendre les techniques d'optimisation et de réglage de vos modèles pour de meilleures performances.
• Déploiement de modèles : Comment déployer des modèles de ML dans des environnements de production.

 

Module 1: Introduction au Machine Learning

• Types de ML
• Description des processus, rôles et responsabilités typiques d’une équipe qui crée et déploie des systèmes de ML
• Synthèse des étapes pour préparer les données et entraîner, évaluer, ajuster et déployer des modèles de ML

Module 2: Introduction à Data Prep et SageMaker

• Introduction à SageMaker
• Démo: Console SageMaker 
• Démo: Lancer un notebook Jupyter

Module 3: Formulation du problème et préparation des données

• Problème d'entreprise : Taux d'attrition des clients
• Examiner l'ensemble de données sur le taux d'attrition des clients

Module 4: Analyse des données et visualisation

• Démo : Chargement et visualisation de votre jeu de données
• Exercice 1 : Relier les caractéristiques aux variables cibles
• Exercice 2 : relations entre les attributs
• Démo : Nettoyage des données

Module 5: Formation et évaluation d'un modèle

• Types d'algorithmes
• XGBoost et SageMaker
• Démo : Entraînement des données
• Exercice 3 : Finir la définition de l'estimateur
• Exercice 4 : Définition des hyperparamètres
• Exercice 5 : Déploiement du modèle
• Démo : Réglage des hyperparamètres avec SageMaker
• Démonstration : Evaluation des performances du modèle

Module 6: Réglage automatique d'un modèle

• Ajustement automatique des hyperparamètres avec SageMaker
• Exercices 6-9 : Jobs de tuning

Module 7: Déploiement / Préparation à la mise en production

• Déploiement d'un modèle vers un endpoint
• Déploiement A/B pour les tests
• Mise à l'échelle automatique
• Démo : Configurer et tester la mise à l'échelle automatique
• Démo : Vérifier le travail de réglage des hyperparamètres
• Démo : AWS Autoscaling
• Exercice 10-11 : Configurer AWS Autoscaling
• Coût des différents types d'erreurs
• Démonstration : Classification binaire - seuil d'erreur

Module 9: Amazon SageMaker Architecture et caractéristiques

• Accès aux notebooks Amazon SageMaker dans un VPC
• Transformations par lots Amazon SageMaker
• Amazon SageMaker Ground Truth
• Amazon SageMaker Neo

Pour suivre ce cours, il est recommandé d’avoir les connaissances suivantes :

• Avoir suivi le cours GK4501 Notions techniques de base AWS ou posséder les connaissances équivalentes
• Comprendre les bases de la programmation Python
• Posséder des connaissances de base en statistiques et ML

Un support de cours officiel sera fourni aux participants.