Machine Learning Engineering sur AWS

Cette formation s'adresse en priorité aux Ingénieurs DevOps et/ou Machine Learning, Développeurs cloud, Développeurs en Machine Learning.

A l’issue de cette formation, les participants seront capables de : 

• Expliquer les principes fondamentaux du ML et ses applications dans le cloud AWS.
• Traiter, transformer et préparer les données pour les tâches de ML à l’aide des services AWS.
• Sélectionner les algorithmes de ML et les approches de modélisation appropriées en fonction des exigences du problème et de l’interprétabilité du modèle.
• Concevoir et mettre en œuvre des pipelines d’apprentissage automatique évolutifs à l’aide des services AWS pour l’entraînement, le déploiement et l’orchestration des modèles.
• Créer des pipelines automatisés d’intégration et de livraison continues (CI/CD) pour les workflows d’apprentissage automatique.
• Discuter des mesures de sécurité appropriées pour les ressources d’apprentissage automatique sur AWS.
• Mettre en œuvre des stratégies de surveillance pour les modèles d’apprentissage automatique déployés, y compris des techniques de détection de la dérive des données (data drift).

Présentation de la formation

Module 1 : Introduction à l'apprentissage automatique (ML) sur AWS

• Chapitre 1A : Introduction à l'apprentissage automatique (ML)
• Chapitre 1B : Amazon SageMaker AI
• Chapitre 1C : L'apprentissage automatique responsable

Module 2 : Analyse des défis liés à l'apprentissage automatique (ML)

• Chapitre 2A : Évaluation des défis métier liés au ML
• Chapitre 2B : Approches d’entraînement au ML
• Chapitre 2C : Algorithmes d’entraînement au ML

Module 3 : Traitement des données pour l’apprentissage automatique (ML)

• Chapitre 3A : Préparation et types de données
• Chapitre 3B : Analyse exploratoire des données
• Chapitre 3C : Options de stockage AWS et choix du stockage

Module 4 : Transformation des données et ingénierie des caractéristiques

• Chapitre 4A : Gestion des données erronées, en double et manquantes
• Chapitre 4B : Concepts d’ingénierie des caractéristiques
• Chapitre 4C : Techniques de sélection des caractéristiques
• Chapitre 4D : Services de transformation des données AWS
• TP 1 : Analyse et préparation des données avec Amazon SageMaker Data Wrangler et Amazon EMR
• TP 2 : Traitement des données à l’aide de SageMaker Processing et du SDK Python de SageMaker

Jour 2

Module 5 : Choix d’une approche de modélisation

• Chapitre 5A : Algorithmes intégrés d’Amazon SageMaker AI
• Chapitre 5B : Sélection des algorithmes d’entraînement intégrés
• Chapitre 5C : Amazon SageMaker Autopilot
• Chapitre 5D : Considérations relatives à la sélection des modèles
• Chapitre 5E : Considérations relatives aux coûts du ML

Module 6 : Entraînement des modèles d’apprentissage automatique (ML)

• Chapitre 6A : Concepts d’entraînement des modèles
• Chapitre 6B : Entraînement des modèles dans Amazon SageMaker AI
• TP 3 : Entraînement d’un modèle avec Amazon SageMaker AI

Module 7 : Évaluation et réglage des modèles d’apprentissage automatique (ML)

• Chapitre 7A : Évaluation des performances des modèles
• Chapitre 7B : Techniques permettant de réduire la durée d’entraînement
• Chapitre 7C : Techniques de réglage des hyperparamètres
• TP 4 : Réglage des modèles et optimisation des hyperparamètres avec Amazon SageMaker AI

Module 8 : Stratégies de déploiement des modèles

• Chapitre 8A : Considérations relatives au déploiement et options de cibles
• Chapitre 8B : Stratégies de déploiement
• Chapitre 8C : Choix d’une stratégie d’inférence de modèle
• Chapitre 8D : Types de conteneurs et d’instances pour l’inférence
• TP 5 : Redirection du trafic A/B

Jour 3

Module 9 : Sécurisation des ressources d’apprentissage automatique (ML) sur AWS

• Chapitre 9A : Contrôle d’accès
• Chapitre 9B : Contrôles d’accès réseau pour les ressources ML
• Chapitre 9C : Considérations de sécurité pour les pipelines CI/CD

Module 10 : Opérations d’apprentissage automatique (MLOps) et déploiement automatisé

• Chapitre 10A : Introduction aux MLOps
• Chapitre 10B : Automatisation des tests dans les pipelines CI/CD
• Chapitre 10C : Services de livraison continue
• TP 6 : Utilisation d’Amazon SageMaker Pipelines et du registre de modèles Amazon SageMaker avec Amazon SageMaker Studio

Module 11 : Surveillance des performances des modèles et de la qualité des données

• Chapitre 11A : Détection de la dérive dans les modèles d’apprentissage automatique
• Chapitre 11B : SageMaker Model Monitor
• Chapitre 11C : Surveillance de la qualité des données et des modèles
• Chapitre 11D : Correction et dépannage automatisés
• TP 7 : Surveillance d’un modèle pour détecter la dérive des données

Module 12 : Synthèse de la formation

Nous recommandons aux participants à cette formation de disposer des prérequis suivants :

• Connaissance des concepts de base de l'apprentissage automatique
• Maîtrise pratique du langage de programmation Python et des bibliothèques couramment utilisées en science des données, telles que NumPy, Pandas et Scikit-learn
• Compréhension de base des concepts liés au cloud computing et connaissance d'AWS
• Expérience avec les systèmes de contrôle de version tels que Git (recommandée mais non obligatoire)

Ce cours fait partie de la préparation à l'examen AWS Certified Machine Learning Engineer.

Pour préparer la certification nous recommandons :

• GK910030 : Exam Prep AWS Certified Machine Learning Engineer

• GK0630 - Mise en pratique de la Data Science avec Amazon SageMaker
• GK7395 - MLOps Engineering sur AWS

• Les participants réalisent un test d'évaluation des connaissances en amont et en aval de la formation pour valider les connaissances acquises pendant la formation. 
• Un support de cours officiel sera remis aux stagiaires au format électronique. 
• Suivi de cette formation à distance depuis un site client équipé. Il suffit d'avoir une bonne connexion internet, un casque avec micro et d'être dans un endroit au calme pour en profiter pleinement 
• Une fiche explicative est adressée en amont aux participants pour leur permettre de vérifier leur installation technique et de se familiariser avec la solution technologique utilisée. 
• L'accès à l'environnement d'apprentissage, ainsi qu'aux feuilles d'émargement et d'évaluation est assuré. 

En savoir plus : www.globalknowledge.com/fr-fr/solutions/methodes-d'apprentissage/classe-a-distance