The Machine Learning Pipeline on AWS
- Référence GK7376
- Durée 4 jour(s)
Modalité pédagogique
Classe inter à distance Prix
EUR3 250,00
hors TVA
Demander une formation en intra-entreprise S'inscrireAller à:
Modalité pédagogique
La formation est disponible dans les formats suivants:
-
Classe inter à distance
Depuis n'importe quelle salle équipée d'une connexion internet, rejoignez la classe de formation délivrée en inter-entreprises.
-
Classe inter en présentiel
Formation délivrée en inter-entreprises. Cette méthode d'apprentissage permet l'interactivité entre le formateur et les participants en classe.
-
Intra-entreprise
Cette formation est délivrable en groupe privé, et adaptable selon les besoins de l’entreprise. Nous consulter.
Demander cette formation dans un format différent
Résumé
Haut de pageCette formation permet aux participants d'acquérir les compétences et connaissances nécessaires pour utiliser le pipeline d'apprentissage automatique (ML) pour résoudre un problème commercial réel dans un environnement d'apprentissage par projet. Les participants apprendront à connaître chaque phase du pipeline grâce aux présentations et démonstrations de l'instructeur, puis ils appliqueront ces connaissances à la réalisation d'un projet visant à résoudre l'un des trois problèmes d'entreprise suivants : détection des fraudes, moteurs de recommandation ou retards de vols. À la fin de la formation, les participants auront construit, entraîné, évalué, réglé et déployé avec succès un modèle ML à l'aide d'Amazon SageMaker qui résout le problème commercial qu'ils ont choisi.
Mise à jour : 12.06.2023
Prochaines dates
Haut de page-
- Modalité: Classe inter à distance
- Date: 29 juillet-01 août, 2024
- Centre: SITE DISTANT
-
- Modalité: Classe inter à distance
- Date: 14-17 octobre, 2024
- Centre: SITE DISTANT
Public
Haut de pageCette formation cours s'adresse aux :
- Développeurs
- Architectes de solutions
- Ingénieurs en données
- Toute personne ayant peu ou pas d'expérience en ML et souhaitant se familiariser avec le pipeline ML à l'aide d'Amazon SageMaker.
Objectifs de la formation
Haut de pageA l'issue de la formation, les participants seront capables de :
- Sélectionner et justifier l'approche ML appropriée pour un problème métier donné.
- Utiliser le pipeline ML pour résoudre un problème métier spécifique.
- Former, évaluer, déployer et ajuster un modèle ML en utilisant Amazon SageMaker.
- Décrire certaines des meilleures pratiques pour concevoir des pipelines ML évolutifs, optimisés en termes de coûts et sécurisés dans AWS.
- Appliquer l'apprentissage automatique à un problème commercial réel une fois le cours terminé.
Programme détaillé
Haut de pageJour 1
Module 0 : Introduction
- Pré-évaluation
Module 1 : Introduction à l'apprentissage automatique et au pipeline ML
- Aperçu de l'apprentissage automatique, y compris les cas d'utilisation, les types d'apprentissage automatique et les concepts clés
- Vue d'ensemble du pipeline ML
- Introduction aux projets et à l'approche du cours
Module 2 : Introduction à Amazon SageMaker
- Introduction à Amazon SageMaker
- Démonstration : Amazon SageMaker et Jupyter notebooks
- Travaux pratiques : Amazon SageMaker et les carnets Jupyter
Module 3 : Formulation des problèmes
- Vue d'ensemble de la formulation de problèmes et de la décision de savoir si le ML est la bonne solution
- Convertir un problème commercial en un problème de ML
- Démonstration : Amazon SageMaker Ground Truth
- Mise en pratique : Amazon SageMaker Ground Truth
- Pratique de la formulation de problèmes
- Formuler des problèmes pour des projets
Jour 2
- Point de contrôle 1 et révision des réponses
Module 4 : Prétraitement
- Aperçu de la collecte et de l'intégration des données, et des techniques de prétraitement et de visualisation des données
- Pratique du prétraitement
- Prétraitement des données du projet
- Discussion en classe sur les projets
Jour 3
- Point de contrôle 2 et révision des réponses
Module 5 : Formation au modèle
- Choisir le bon algorithme
- Formatage et division de vos données pour l'entraînement
- Fonctions de perte et descente de gradient pour améliorer votre modèle
- Démonstration : Créer un travail d'entraînement dans Amazon SageMaker
Module 6 : Évaluation des modèles
- Comment évaluer les modèles de classification
- Comment évaluer les modèles de régression
- Entraînement et évaluation de modèles
- Former et évaluer les modèles de projet
- Présentations initiales du projet
Jour 4
- Checkpoint 3 et révision des réponses
Module 7 : Ingénierie des caractéristiques et réglage du modèle
- Extraction, sélection, création et transformation de caractéristiques
- Réglage des hyperparamètres
- Démonstration : Optimisation des hyperparamètres de SageMaker
- Pratique de l'ingénierie des fonctionnalités et du réglage des modèles
- Appliquer l'ingénierie des caractéristiques et le réglage des modèles aux projets
- Présentations finales des projets
Module 8 : Déploiement
- Comment déployer, inférer et surveiller votre modèle sur Amazon SageMaker
- Déploiement du ML à la périphérie
- Démonstration : Création d'un point de terminaison Amazon SageMaker
- Post-évaluation
- Récapitulatif du cours
Pré-requis
Haut de pageLes participants doivent avoir les pré requis suivants :
- Une connaissance de base du langage de programmation Python
- Connaissance de base de l'infrastructure AWS Cloud (Amazon S3 et Amazon CloudWatch)
- Une expérience de base du travail dans un environnement Jupyter notebook.
Bon à savoir
Haut de pageSupport de cours officiel remis aux participants
- /fr-fr/-/media/global-knowledge/merchandising/right-side-column/fr/reviews/review-aws.png #000000
- <p><br /></p><table style="width: 100%; border-collapse: collapse; border-style: solid; border-color: #141c36; float: left;" border="3" cellspacing="2" cellpadding="5" data-mce-style="width: 100%; border-collapse: collapse; border-style: solid; border-color: #141c36; float: left;"><tbody><tr><td style="width: 100%;" data-mce-style="width: 100%;"><p style="text-align: left;" data-mce-style="text-align: left;"><strong><span style="color: #141c36;" data-mce-style="color: #141c36;">Modalité d'évaluation</span></strong></p><hr /><p style="text-align: left;" data-mce-style="text-align: left;">A l'issue de la formation, le participant est invité à s’auto-évaluer par rapport aux objectifs énoncés.</p></td></tr></tbody></table>
- <table style="width: 100%; border-collapse: collapse; border-style: solid; border-color: #141c36; float: left;" border="3" cellspacing="2" cellpadding="5" data-mce-style="width: 100%; border-collapse: collapse; border-style: solid; border-color: #141c36; float: left;"><tbody><tr><td style="width: 100%;" data-mce-style="width: 100%;"><p style="text-align: left;" data-mce-style="text-align: left;"><strong><span style="color: #141c36;" data-mce-style="color: #141c36;">Délais d’inscription</span></strong></p><hr /><p style="text-align: left;" data-mce-style="text-align: left;">Avant le début de la formation <strong>jusqu’à 5 jours ouvrés sous réserve de disponibilité </strong>sauf dans le cas d'un financement <a title="compte CPF" href="https://www.globalknowledge.com/fr-fr/formations/compte-personnel-de-formation-cpf" data-mce-href="https://www.globalknowledge.com/fr-fr/formations/compte-personnel-de-formation-cpf">CPF,</a> jusqu'à 11 jours ouvrés. <a rel="noopener noreferrer" title="formations éligibles CPF" href="mailto:cpf@globalknowledge.fr" target="_blank" rel="noopener noreferrer" data-mce-href="mailto:cpf@globalknowledge.fr">Contactez-nous</a> pour connaître les formations éligibles.</p></td></tr></tbody></table><p><br /></p>
- /fr-fr/-/media/global-knowledge/merchandising/right-side-column/emea/gk-polaris/gk-polaris-accelerate-cybersecurity.png https://www.globalknowledge.com/fr-fr/products/abonnement/pl-accelerate #000000
- #000000
- #000000
- GK7376
- The Machine Learning Pipeline on AWS
- Data
- Formation GK7376 | Machine Learning PIpeline on AWS | Global Knowledge
- Amazon Web Services