Mise en pratique de la science des données avec Amazon SageMaker

Module 1 : introduire le Machine Learning

• Les avantages du Machine Learning (ML) pour la résolution de problèmes métiers.
• Les différents types d'approches de Machine Learning.
• La formulation d'un problème métier pour le ML.
• La qualité des prédictions en ML.
• Les processus, rôles et responsabilités pour les projets ML.

Module 2 : préparer un jeu de données

• L'analyse et la préparation des données.
• Les outils de préparation des données.
• La revue d'Amazon SageMaker Studio et des Notebooks (démo).

Lab :

• Préparer des données avec SageMaker Data Wrangler.

Module 3 : entraîner un modèle

• Les étapes pour entraîner un modèle.
• Le choix d'un algorithme.
• L'entraînement du modèle dans Amazon SageMaker.
• L'utilisation d'Amazon CodeWhisperer dans SageMaker Studio Notebooks (démo).

Lab :

• Entraîner un modèle avec Amazon SageMaker.

Module 4 : évaluer et affiner un modèle

• L'évaluation des modèles.
• L'ajustement des modèles et l'optimisation des hyperparamètres.

Lab :

• Ajuster des modèles et optimiser des hyperparamètres avec Amazon SageMaker.

Module 5 : déployer un modèle

• La mise en œuvre du déploiement d'un modèle.

Lab :

• Déployer un modèle vers un point de terminaison en temps réel et générer une prédiction.

Module 6 : comprendre les défis opérationnels

• Le ML responsable.
• L'équipe ML et MLOps.
• L'automatisation.
• Le monitoring.
• La mise à jour des modèles (tests et déploiement des modèles).

Module 7 : explorer d'autres outils de construction de modèles

• Les différents outils pour différents niveaux de compétences et besoins métiers.
• Le ML sans code avec Amazon SageMaker Canvas.
• L'utilisation d'Amazon SageMaker Studio Lab (démo).

Lab (optionnel) :

• Intégrer une application Web avec un point de terminaison de modèle Amazon SageMaker.