Cette formation explore l’utilisation du pipeline de processus itératif d’apprentissage automatique (ML) pour résoudre un problème commercial réel dans un environnement d’apprentissage basé sur des projets. Les étudiants apprendront à connaître chaque phase du pipeline de processus à partir de présentations et de démonstrations d’instructeurs, puis appliqueront ces connaissances pour mener à bien un projet résolvant l’un des trois problèmes commerciaux suivants : détection des fraudes, moteurs de recommandation ou retards de vol. À la fin du cours, les étudiants auront réussi, créé, formé, évalué, ajusté et déployé un modèle de ML à l’aide d’Amazon SageMaker qui résout le problème commercial qu’ils ont choisi. Les apprenants ayant peu ou pas d’expérience ou de connaissances en apprentissage automatique bénéficieront de ce cours. Des connaissances de base en statistiques seront utiles.

Objectifs pédagogiques :

Dans ce cours, vous allez :

• Sélectionner et justifier l’approche ML appropriée pour un problème métier donné
• Utiliser le pipeline ML pour résoudre un problème métier spécifique
• Entraîner, évaluer, déployer et régler un modèle de ML à l’aide d’Amazon SageMaker
• Décrire quelques-unes des bonnes 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

Public visé :

Ce cours s’adresse aux :

• Développeurs
• Architectes de solutions
• Ingénieurs de données
• Toute personne ayant peu ou pas d’expérience du ML et souhaitant en savoir plus sur le pipeline ML à l’aide d’Amazon SageMaker

Prérequis :

Les participants à ce cours doivent avoir :

• Connaissance de base du langage de programmation Python
• Compréhension de base de l’infrastructure cloud AWS (Amazon S3 et Amazon CloudWatch)
• Expérience de base dans un environnement de bloc-notes Jupyter

Programme de cours :

Jour 1

Module 0 : Introduction

• Pré-évaluation

Module 1 : Introduction à l’apprentissage automatique et au pipeline ML

• Vue d’ensemble du Machine Learning, y compris les cas d’utilisation, les types de Machine Learning et les concepts clés
• Vue d’ensemble du pipeline ML
• Introduction aux projets et à l’approche du cours

Module 2 : Présentation d’Amazon SageMaker

•  Présentation d’Amazon SageMaker
•  Démo : blocs-notes Amazon SageMaker et Jupyter
•  Prise en main : blocs-notes Amazon SageMaker et Jupyter

Module 3 : Formulation du problème

• Vue d’ensemble de la formulation du problème et décision de savoir si le ML est la bonne solution
• Transformer un problème métier en problème de ML
• Démo : Amazon SageMaker Ground Truth
• Prise en main : Amazon SageMaker Ground Truth
• Formulation de problèmes d’entraînement
• Formuler des problèmes pour les projets

Jour 2

Point de contrôle 1 et révision de la réponse

Module 4 : Prétraitement

• Vue d’ensemble de la collecte et de l’intégration des données, et techniques de prétraitement et de visualisation des données
• Pratiquez le prétraitement
• Prétraiter les données du projet
• Discussion en classe sur les projets

Jour 3

Point de contrôle 2 et révision de la réponse

Module 5 : Formation du modèle

• Choisir le bon algorithme
• Formatage et division de vos données pour l’entraînement
• Fonctions de perte et de descente de gradient pour améliorer votre modèle
• Démo : Création d’une tâche de formation dans Amazon SageMaker

Module 6 : Évaluation du modèle

• Comment évaluer les modèles de classification
• Comment évaluer les modèles de régression
• Formation et évaluation du modèle de pratique
• Entraîner et évaluer des modèles de projet
• Présentations initiales du projet

Jour 4

Point de contrôle 3 et révision des réponses

Module 7 : Ingénierie des fonctionnalités et réglage des modèles

• Extraction, sélection, création et transformation de fonctionnalités
• Réglage des hyperparamètres
• Démo : Optimisation des hyperparamètres SageMaker
• Pratiquez l’ingénierie des fonctionnalités et le réglage des modèles
• Appliquer l’ingénierie des fonctionnalités et le réglage des modèles aux projets
• Présentations finales du projet

Module 8 : Déploiement

• Comment déployer, inférer et surveiller votre modèle sur Amazon SageMaker
• Déploiement du ML à la périphérie
• Démo : Création d’un point de terminaison Amazon SageMaker
• Post-évaluation
• Résumé du cours