The Machine Learning Pipeline on AWS

Cette 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.

A 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.

Jour 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

Les 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.

Support de cours officiel remis aux participants