L’intelligence artificielle et l’apprentissage automatique (IA/ML) deviennent courants. Dans ce cours, vous passerez une journée dans la vie d’un data scientist afin de pouvoir collaborer efficacement avec des data scientists et créer des applications qui s’intègrent au ML. Vous apprendrez les processus de base que les scientifiques des données utilisent pour développer des solutions de ML sur Amazon Web Services (AWS) avec Amazon SageMaker. Vous découvrirez les étapes de création, d’entraînement et de déploiement d’un modèle ML par le biais de démonstrations et d’ateliers dirigés par un instructeur.

Objectifs pédagogiques :

Dans ce cours, vous apprendrez à :

• Discuter des avantages des différents types d’apprentissage automatique pour résoudre les problèmes de l’entreprise
• Décrire les processus, les rôles et les responsabilités typiques d’une équipe qui crée et déploie des systèmes de ML
• Expliquer comment les data scientists utilisent les outils AWS et le ML pour résoudre un problème métier courant
• Résumer les étapes suivies par un data scientist pour préparer les données
• Résumer les étapes suivies par un data scientist pour entraîner des modèles de ML
• Résumer les étapes suivies par un data scientist pour évaluer et ajuster les modèles de ML
• Résumer les étapes de déploiement d’un modèle sur un point de terminaison et générer des prédictions
• Décrire les défis liés à l’opérationnalisation des modèles de ML
• Associer les outils AWS à leur fonction ML

Public visé :

Ce cours s’adresse aux :

• Ingénieurs Opérations de Développement (DevOps)
• Développeurs d’applications

Prérequis :

Les participants à ce cours doivent avoir :

• Principes de base techniques AWS
• Connaissance de base de la programmation Python
• Connaissances de base en statistiques

Programme de cours :

Module 1 : Introduction à l’apprentissage automatique

• Avantages de l’apprentissage automatique (ML)
• Types d’approches ML
• Définir le problème de l’entreprise
• Qualité des prédictions
• Processus, rôles et responsabilités pour les projets ML

Module 2 : Préparation d’un ensemble de données

• Analyse et préparation des données
• Outils de préparation des données
• Démonstration : Examen d’Amazon SageMaker Studio et des blocs-notes
• Atelier pratique : préparation des données avec SageMaker Data Wrangler

Module 3 : Entraînement d’un modèle

• Étapes d’entraînement d’un modèle
• Choisir un algorithme
• Entraîner le modèle dans Amazon SageMaker
• Atelier pratique : Formation d’un modèle avec Amazon SageMaker
• Amazon CodeWhisperer
• Démonstration : Amazon CodeWhisperer dans les blocs-notes SageMaker Studio

Module 4 : Évaluation et réglage d’un modèle

• Évaluation du modèle
• Réglage du modèle et optimisation des hyperparamètres
• Atelier pratique : Réglage des modèles et optimisation des hyperparamètres avec Amazon SageMaker

Module 5 : Déploiement d’un modèle

• Déploiement de modèles
• Atelier pratique : Déployer un modèle sur un point de terminaison en temps réel et générer une prédiction

Module 6 : Défis opérationnels

• ML responsable
• Équipe ML et MLOps
• Automatisation
• Surveillance
• Mise à jour des modèles (test et déploiement du modèle)

Module 7 : Autres outils de modélisme

• Différents outils pour différentes compétences et besoins commerciaux
• ML sans code avec Amazon SageMaker Canvas
• Démonstration : Présentation d’Amazon SageMaker Canvas
• Laboratoire Amazon SageMaker Studio
• Démonstration : Présentation de SageMaker Studio Lab
• (Facultatif) Atelier pratique : Intégration d’une application Web à un point de terminaison de modèle Amazon SageMaker