Apprentissage automatique sur AWS

Aperçu

Acquérez une expérience pratique avec les services d'apprentissage automatique d'AWS grâce à des scénarios gamifiés, réalistes et des défis interactifs conçus pour les ingénieurs en apprentissage automatique et les data scientists.

Programme

• Introduction à l'apprentissage automatique AWS
Aperçu des services d'apprentissage automatique AWS
Configuration de votre compte et environnement AWS
Introduction à Amazon SageMaker
• Prétraitement et gestion des données
Stockage et récupération de données avec Amazon S3
Utilisation d'AWS Glue pour les processus ETL
Préparation des données et ingénierie des fonctionnalités dans SageMaker
• Construction de modèles d'apprentissage automatique
Introduction aux algorithmes intégrés dans Amazon SageMaker
Développement de modèles personnalisés avec Jupyter notebooks
Utilisation de SageMaker Studio pour le développement de modèles
• Entraînement des modèles d'apprentissage automatique
Compréhension des services d'entraînement gérés
Optimisation des travaux d'entraînement avec le réglage des hyperparamètres
Entraînement distribué et utilisation d'instances spot
• Évaluation et validation des modèles
Techniques de validation des performances du modèle
Surveillance des travaux d'entraînement
Conseils pratiques pour l'évaluation des modèles sur AWS
• Déploiement des modèles d'apprentissage automatique
Options de déploiement de modèles avec SageMaker
Inférence en temps réel et par lots
Tests A/B et mise à l'échelle des points de terminaison
• Automatisation et CI/CD dans AWS
Mise en œuvre de MLOps avec SageMaker Pipelines
Automatisation des workflows de bout en bout avec AWS Step Functions
Contrôle de version et déploiement continu avec AWS CodePipeline
• Sécurité et conformité dans AWS ML
Bonnes pratiques de sécurité pour les services ML d'AWS
Gestion des rôles et des politiques IAM
Chiffrement des données et considérations de conformité
• Scénarios réels et défis
Exercices gamifiés utilisant des ensembles de données d'industrie réelle
Défis interactifs ML et compétitions
Études de cas sur les implémentations ML réussies sur AWS
• Projet de fin d'études
Concevoir et mettre en œuvre une solution ML complète sur AWS
Présentation et démonstration du projet
Révision par les pairs et feedback
• Conclusion et prochaines étapes
Ressources pour aller plus loin dans l'apprentissage automatique sur AWS
Parcours de carrière et opportunités de certification
Q&R et clôture du cours

Sujets

Science des données