Ce que vous devez savoir avant
Vous commencez

Débute 4 June 2026 00:13

Se termine 4 June 2026

00 Jours
00 Heures
00 Minutes
00 Secondes
course image

Premiers pas avec Amazon SageMaker

Plongez dans l'apprentissage automatique avec Amazon SageMaker AI, en créant des carnets Jupyter pour entraîner des modèles et générer des prédictions grâce à des démonstrations pratiques utilisant la console de gestion AWS.
Amazon Web Services via AWS Skill Builder

Amazon Web Services

479 Cours


1 hour

Amélioration optionnelle disponible

Débutant

Progressez à votre rythme

Free Certificate

Amélioration optionnelle disponible

Aperçu

In this course, you will learn the benefits and technical concepts of Amazon SageMaker AI. If you are new to the service, you will learn how to start using Amazon SageMaker AI through a demonstration using the AWS Management Console.

You will use a Jupyter notebook instance to train and generate prediction using a machine learning model.

Programme

  • Introduction à Amazon SageMaker
  • Aperçu d'Amazon SageMaker et de ses services
    Principaux avantages et cas d'utilisation
    Comprendre le workflow IA/ML
  • Configuration de votre environnement
  • Configuration du compte AWS
    Navigation dans la console de gestion AWS
    Introduction initiale aux ressources SageMaker
  • Comprendre les composants de SageMaker
  • SageMaker Studio
    Notebooks Jupyter
    Pipelines de construction de modèles SageMaker
    SageMaker Ground Truth et Data Wrangler
  • Préparation des données
  • Importation et préparation des jeux de données
    Exploration des options de stockage de données SageMaker
    Introduction à SageMaker Feature Store
  • Construction et entraînement des modèles
  • Configuration des instances de notebook Jupyter
    Sélection et configuration des algorithmes d'entraînement
    Comprendre l'optimisation des hyperparamètres
    Suivi des travaux d'entraînement
  • Évaluation du modèle
  • Évaluation de la précision et des performances du modèle
    Utilisation des métriques et des stratégies de validation
    Démonstration de l'explicabilité du modèle
  • Déploiement et utilisation des modèles
  • Déploiement de modèles avec SageMaker
    Configuration des points de terminaison pour les prédictions en temps réel
    Transformée par lots pour les prédictions asynchrones
    Intégration avec d'autres services AWS
  • Gestion et optimisation des modèles
  • Suivi et mise à jour des modèles
    Mise à l'échelle des modèles pour une utilisation en production
    Stratégies de gestion des coûts
  • Démonstration pratique
  • Guide étape par étape pour créer une instance de notebook Jupyter
    Entraînement d'un modèle d'apprentissage automatique
    Génération de prédictions et évaluation des résultats
  • Conclusion et prochaines étapes
  • Résumé des points d'apprentissage clés
    Ressources supplémentaires pour un apprentissage continu
    Suggestions pour l'application pratique et les idées de projets

Matières

Programming