Amazon SageMaker Studio pour Data Scientists

Des data scientists expérimentés qui maîtrisent les principes fondamentaux du ML et du deep learning

Dans ce cours, vous apprendrez à :

• Accélérez le processus de préparation, de création, de formation, de déploiement et de surveillance des solutions ML à l’aide d’Amazon SageMaker Studio

Jour 1

Module 1 : Configuration 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
• Atelier pratique : Analyse et préparation des données à l’aide d’Amazon SageMaker Data Wrangler
• Utilisation d’Amazon EMR
• Atelier pratique : Analyser et préparer des données à grande échelle à l’aide d’Amazon EMR
• Utilisation des sessions interactives AWS Glue
• Utilisation de SageMaker Processing avec des scripts personnalisés
• Atelier pratique : Traitement des données à l’aide d’Amazon SageMaker Processing et du kit SDK Python SageMaker
• Magasin de fonctionnalités SageMaker
• Atelier pratique : Ingénierie des fonctionnalités à l’aide de SageMaker Feature Store

Module 3 : Développement de modèles

• Emplois de formation SageMaker
• Algorithmes intégrés
• Apportez votre propre script
• Apportez votre propre contenant
• Expériences SageMaker
• Atelier pratique : Utilisation des expériences SageMaker pour suivre les itérations de l’entraînement et du réglage
• Modèle

Jour 2

Module 3 : Développement de modèles (suite)

• Débogueur SageMaker
• Atelier pratique : analyse, détection et définition d’alertes à l’aide de SageMaker Debugger
• Réglage automatique du modèle
• SageMaker Autopilot : ML automatisé
• Démonstration : SageMaker Autopilot
• Détection des biais
• Atelier pratique : Utilisation de SageMaker Clarify pour les biais et l’explicabilité
• Démarrage rapide de SageMaker

Module 4 : Déploiement et inférence

• Registre de modèles SageMaker
• SageMaker Pipelines
• Atelier pratique : Utilisation de SageMaker Pipelines et de SageMaker Model Registry avec SageMaker Studio
• Options d’inférence du modèle SageMaker
• Détartrage
• Stratégies de test, performances et optimisation
• Atelier pratique : Inférence avec SageMaker Studio

Module 5 : Suivi

• Moniteur de modèle Amazon SageMaker
• Discussion : Étude de cas
• Démonstration : Surveillance de modèle

Jour 3

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

• Coût accumulé et arrêt
• Mises à jour Capstone
• Configuration de l’environnement
• Défi 1 : Analyser et préparer l’ensemble de données avec SageMaker Data Wrangler
• Défi 2 : Créer des groupes de fonctionnalités dans SageMaker Feature Store
• Défi 3 : Effectuer et gérer l’entraînement et le réglage des modèles à l’aide de SageMaker Experiments
• (Facultatif) Défi 4 : Utiliser SageMaker Debugger pour les performances d’entraînement et l’optimisation des modèles
• Défi 5 : Évaluer le biais du modèle à l’aide de SageMaker Clarify
• Défi 6 : Effectuer des prédictions par lots à l’aide du point de terminaison du modèle
• (Facultatif) Défi 7 : Automatiser l’ensemble du processus de développement de modèles à l’aide de SageMaker Pipeline

Nous recommandons à tous les participants de ce cours d’avoir :

• Expérience de l’utilisation des frameworks de ML
• Expérience de la programmation Python
• Au moins 1 an d’expérience en tant que data scientist responsable de la formation, de la mise au point et du déploiement de modèles
• Principes techniques de base d’AWS

Un support de cours officiel sera fourni aux participants