Online Course Supplement: Practical Data Science with Amazon SageMaker

Aperçu

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 les data scientists et créer des applications intégrant le ML.

Vous apprendrez le processus de base que les data scientists utilisent pour développer des solutions ML sur Amazon Web Services (AWS) avec Amazon SageMaker. Vous découvrirez les étapes pour construire, entraîner et déployer un modèle ML à travers des démonstrations et des laboratoires dirigés par un instructeur.

• Niveau du cours :

  Intermédiaire

• Durée :

  1 jour

Ce cours comprend des présentations, des laboratoires pratiques et des démonstrations.

Dans ce cours, vous apprendrez à :

• Discuter des avantages des différents types d'apprentissage automatique pour résoudre des problèmes commerciaux
• Décrire les processus typiques, les rôles et les responsabilités au sein d'une équipe qui développe et déploie des systèmes ML
• Expliquer comment les data scientists utilisent les outils AWS et le ML pour résoudre un problème commercial commun
• Résumer les étapes qu'un data scientist suit pour préparer les données
• Résumer les étapes qu'un data scientist suit pour entraîner des modèles ML
• Résumer les étapes qu'un data scientist suit pour évaluer et ajuster des modèles ML
• Résumer les étapes de déploiement d'un modèle sur un endpoint et générer des prédictions
• Décrire les défis pour opérationnaliser les modèles ML
• Faire correspondre les outils AWS avec leur fonction ML

Ce cours s'adresse à :

• Ingénieurs DevOps
• Développeurs d'applications

Nous recommandons que les participants à ce cours aient :

• Notions techniques essentielles d'AWS
• Connaissances de base en programmation Python
• Connaissances de base en statistiques

Module 1 :

Introduction à l'Apprentissage Automatique

• Avantages de l'apprentissage automatique (ML)
• Types d'approches ML
• Encadrer le problème commercial
• Qualité de la prédiction
• 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 :

  Revue de Amazon SageMaker Studio et Notebooks

• Laboratoire pratique :

  Préparation des données avec SageMaker Data Wrangler

Module 3:

Entraînement d'un Modèle

• Étapes pour entraîner un modèle
• Choisir un algorithme
• Entraîner le modèle dans Amazon SageMaker
• Laboratoire pratique :

  Entraînement d'un Modèle avec Amazon SageMaker

• Amazon CodeWhisperer
• Démonstration :

  Amazon CodeWhisperer dans SageMaker Studio Notebooks

Module 4 :

Évaluation et Réglage d'un Modèle

• Évaluation du modèle
• Ajustement du modèle et optimisation des hyperparamètres
• Laboratoire pratique :

  Ajustement du Modèle et Optimisation des Hyperparamètres avec Amazon SageMaker

Module 5 :

Déploiement d'un Modèle

• Déploiement du modèle

  ---

  Sujets