Mise en pratique de la Data Science avec Amazon SageMaker

- Ingénieurs en opérations de développement (DevOps)

- Développeurs d’applications

Dans ce cours, vous apprendrez à :

• Discutez des avantages des différents types d’apprentissage automatique pour résoudre les problèmes de l’entreprise
• Décrire les processus, les rôles et les responsabilités typiques d’une équipe qui crée et déploie des systèmes de ML
• Expliquer comment les data scientists utilisent les outils AWS et le ML pour résoudre un problème métier courant
• Résumer les étapes suivies par un data scientist pour préparer les données
• Résumer les étapes suivies par un data scientist pour entraîner des modèles de ML
• Résumer les étapes suivies par un data scientist pour évaluer et ajuster les modèles de ML
• Résumer les étapes de déploiement d’un modèle sur un point de terminaison et générer des prédictions
• Décrire les défis liés à l’opérationnalisation des modèles de ML
• Associez les outils AWS à leur fonction ML

Module 1 : Introduction à l’apprentissage automatique

• Avantages de l’apprentissage automatique (ML)
• Types d’approches ML
• Définir le problème de l’entreprise
• Qualité des prédictions
• Processus, rôles et responsabilités pour les projets ML

Module 2 : Préparation d’un ensemble de données

• Analyse et préparation des données
• Outils de préparation des données
• Démonstration : Examen d’Amazon SageMaker Studio et des blocs-notes
• Atelier pratique : Préparation des données avec SageMaker Data Wrangler

Module 3 : Entraînement d’un modèle

• Étapes d’entraînement d’un modèle
• Choisir un algorithme
• Entraîner le modèle dans Amazon SageMaker
• Atelier pratique : Formation d’un modèle avec Amazon SageMaker
• Amazon CodeWhisperer
• Démonstration : Amazon CodeWhisperer dans les blocs-notes SageMaker Studio

Module 4 : Évaluation et réglage d’un modèle

• Évaluation du modèle
• Réglage du modèle et optimisation des hyperparamètres
• Atelier pratique : Réglage des modèles et optimisation des hyperparamètres avec Amazon SageMaker

Module 5 : Déploiement d’un modèle

• Déploiement de modèles
• Exercice pratique : Déployer un modèle sur un point de terminaison en temps réel et générer une prédiction

Module 6 : Défis opérationnels

• ML responsable
• Équipe ML et MLOps
• Automatisation
• Surveillance
• Mise à jour des modèles (test et déploiement du modèle)

Module 7 : Autres outils de modélisme

• Différents outils pour différentes compétences et besoins commerciaux
• ML sans code avec Amazon SageMaker Canvas
• Démonstration : Présentation d’Amazon SageMaker Canvas
• Laboratoire Amazon SageMaker Studio
• Démonstration : Présentation de SageMaker Studio Lab
• (Facultatif) Atelier pratique : Intégration d’une application Web à un point de terminaison de modèle Amazon SageMaker

Nous recommandons aux participants de ce cours d’avoir :

• Principes techniques de base d’AWS
• Connaissance de base de la programmation Python
• Connaissances de base en statistiques