Amazon SageMaker Studio pour Data Scientists

Ce cours avancé s'adresse aux data scientists expérimentés qui maîtrisent les principes fondamentaux du ML et du deep learning.

A l'issue de la formation, les participants seront capables de :

• Accélérer le processus de préparation, de création, de formation, de déploiement et de surveillance des solutions ML à l’aide d’Amazon SageMaker Studio
• Identifier les points critiques
• Utiliser les extensions Amazon CodeWhisperer et Amazon CodeGuru Security Scan
• Améliorer la productivité de l'apprentissage automatique

Jour 1
Module 1 : Configuration d’Amazon SageMaker Studio

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

Module 2 : Traitement des données

• Exercice : analyser et préparer des données en utilisant Amazon SageMaker Data Wrangler
• Exercice : analyse et préparation des données à l'échelle avec Amazon EMR
• Exercice : traitement des données à l'aide d'Amazon SageMaker Processing et de SageMaker Python SDK
• Exercice : caractérisation des données à l'aide de SageMaker Feature Store
• Utilisation d'Amazon SageMaker Data Wrangler pour le traitement des données
• Utilisation d’Amazon EMR
• Utilisation des sessions interactives AWS Glue
• Utilisation de SageMaker Processing avec des scripts personnalisés
• SageMaker Feature Store

Module 3 : Développement de modèles

• Exercice : Utilisation de SageMaker Experiments pour suivre les itérations d’entraînement et de réglage des modèles
• Tâches d’entraînement SageMaker
• Algorithmes intégrés
• Apportez votre propre script
• Apportez votre propre conteneur
• SageMaker Experiments

Jour 2
Module 3 : Développement de modèles (suite)

• Exercice : analyser, détecter et configurer des alertes à l’aide de SageMaker Debugger
• Exercice : utilisation de SageMaker Clarify pour détecter les biais et améliorer l’explicabilité
• SageMaker Debugger
• Réglage automatique des modèles
• SageMaker Autopilot : ML automatisé
• Démonstration : SageMaker Autopilot

Module 4 : Déploiement et inférence

• Exercice : Utilisation de SageMaker Pipelines et du SageMaker Model Registry avec SageMaker Studio
• Exercice : Inférence avec SageMaker Studio
• SageMaker Model Registry
• SageMaker Pipelines
• Options d’inférence des modèles SageMaker
• Mise à l’échelle
• Stratégies de test, performances et optimisation

Module 5 : Surveillance

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

Jour 3
Module 6 : Gestion des ressources et des mises à jour de SageMaker Studio

• Coûts cumulés et arrêt du service
• Gestion des mises à jour
• Projet de synthèse
• Configuration de l’environnement
• Projet 1 : Analyser et préparer l’ensemble de données avec SageMaker Data Wrangler
• Projet 2 : Créer des groupes de caractéristiques dans SageMaker Feature Store
• Projet 3 : Effectuer et gérer l’entraînement et le réglage du modèle à l’aide de SageMaker Experiments
• (Facultatif) Projet 4 : Utiliser SageMaker Debugger pour évaluer les performances d’entraînement et optimiser le modèle
• Projet 5 : Évaluer le biais du modèle à l’aide de SageMaker Clarify
• Projet 6 : Effectuer des prédictions par lots à l’aide du point de terminaison du modèle
• (Facultatif) Projet 7 : Automatiser l’ensemble du processus de développement du modèle à l’aide de SageMaker Pipeline

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

• Une solide expérience de l’utilisation des frameworks de Machine Learning
• Une bonne expérience de la programmation Python
• Au moins 1 an d’expérience en tant que data scientist responsable de la création, de la mise au point et du déploiement de modèles
• Une bonne connaissance des principes techniques de base d’AWS telle qu'obtenue par la formation GK4501 AWS : Notions techniques de base Amazon Web Services ou par une expérince professionnelle sur AWS.

Pas de test associé à cette formation

Pas de recommandation

• Un support de cours officiel sera fourni aux participants