Amazon SageMaker Studio pour Data Scientists

Ce cours est destiné aux data scientists expérimentés qui maîtrisent les fondamentaux du ML et du deep learning.

A l'issue de cette formation, les participants auront appris à :

• Accélérer la préparation, la construction, la formation, le déploiement et la surveillance des solutions de ML en utilisant Amazon SageMaker Studio
• Utiliser les outils de SageMaker Studio pour améliorer la productivité à chaque étape du cycle de vie de la ML.

Jour 1
Module 1 : Installation d'Amazon SageMaker Studio

• Extensions JupyterLab dans SageMaker Studio
• Démonstration : Démonstration de l'interface utilisateur de SageMaker

Module 2 : Traitement des données

• Utilisation de SageMaker Data Wrangler pour le traitement des données
• Laboratoire pratique : Analyse et préparation des données avec Amazon SageMaker Data Wrangler
• Utilisation d'Amazon EMR
• Exercice pratique : Analyser et préparer des données à l'échelle en utilisant Amazon EMR
• Utilisation des sessions interactives AWS Glue
• Utilisation de SageMaker Processing avec des scripts personnalisés
• Exercice pratique : Traitement des données à l'aide d'Amazon SageMaker Processing et SageMaker
  SDK Python
• SageMaker Feature Store
• Exercice pratique : Ingénierie des fonctionnalités avec SageMaker Feature Store

Module 3 : Développement de modèles

• SageMaker Training jobs
• Algorithmes intégrés
• Apportez votre propre script
• Apportez votre propre conteneur
• SageMaker Experiments
• Exercice pratique : Utilisation de SageMaker Experiments pour suivre les itérations des modèles de formation et de tuning

Jour 2

Module 3 : Développement de modèles (suite)

• SageMaker Debugger
• Exercice pratique : Analyse, détection et définition d'alertes avec SageMaker Debugger
• Mise au point automatique des modèles
• SageMaker Autopilot : ML automatisé
• Démonstration : SageMaker Autopilot
• Détection de biais
• Exercice pratique : Utilisation de SageMaker Clarify pour la détection des biais et obtenir des explications
• SageMaker Jumpstart

Module 4 : Déploiement et inférence

• Registre de modèles SageMaker
• Pipelines SageMaker
• Exercice pratique : Utilisation de SageMaker Pipelines et de SageMaker Model Registry avec SageMaker
  Studio
• Mise à l'échelle
• Stratégies de test, performances et optimisation

Module 5 : Supervision

• Amazon SageMaker Model Monitor
• Discussion : Étude de cas
• Démonstration : La supervision des modèles

Jour 3

Module 6 : Gestion des ressources et des mises à jour de SageMaker Studio

• Coûts provisionnels et arrêt de l'activité
• Mises à jour

Capstone
Configuration de l'environnement

• Challenge 1 : Analyser et préparer le jeu de données avec SageMaker Data Wrangler
• Challenge 2 : Créer des groupes de fonctions dans SageMaker Feature Store
• Challenge 3 : Effectuer et gérer l'entraînement et la mise au point du modèle avec SageMaker Experiments
• (Optionnel) Challenge 4 : Utiliser SageMaker Debugger pour la performance de l'entraînement et l'optimisation du modèle
• Challenge 5 : Evaluer le modèle pour les biais en utilisant SageMaker Clarify
• Challenge 6 : Effectuer des prédictions par lots en utilisant le modèle endpoint
• (Optionnel) Challenge 7 : Automatiser le processus complet de développement du modèle en utilisant SageMaker Pipeline

Nous recommandons que tous les participants à ce cours aient :

• Une expérience dans l'utilisation de frameworks ML
• Une expérience de la programmation Python
• Au moins 1 an d'expérience en tant que data scientist responsable de la formation, de l'optimisation et du déploiement de modèles
• Une connaissance des bases techniques d'AWS comme obtenu avec le cours GK4501 AWS : Notions techniques de base Amazon Web Services