Ingénieur en apprentissage automatique AWS SageMaker en 30 jours + ChatGPT

Aperçu

Construire plus de 30 projets ML en 30 jours sur AWS, maîtriser SageMaker JumpStart, Canvas, AutoPilot, DataWrangler, Lambda et S3. Ce que vous apprendrez :

Construire, entraîner, tester et déployer des modèles de Machine Learning sur AWS.

Utiliser ChatGPT et GPT-4 pour automatiser les tâches de codage, effectuer le débogage de code, rédiger de la documentation et ajouter de nouvelles fonctionnalités à votre code. Définir et réaliser des tâches d'étiquetage d'images et de texte avec AWS SageMaker GroundTruth.

Préparer, nettoyer et visualiser des données avec AWS SageMaker Data Wrangler sans écrire de code. Optimiser les hyperparamètres des modèles ML en utilisant des techniques de recherche par grille, bayesienne et aléatoire.

Maîtriser les services clés d'AWS tels que Simple Storage Service (S3), Elastic Compute Cloud (EC2), Identity and Access Management (IAM) et CloudWatch. Comprendre l'automatisation des flux de travail de Machine Learning en utilisant AWS Lambda, les fonctions Step et les pipelines SageMaker.

Apprendre à définir une fonction lambda dans la console de gestion AWS, comprendre l'anatomie des fonctions Lambda et comment configurer un événement de test dans Lambda. Entraîner des modèles de régression et de classification de Machine Learning sans code avec AWS Canvas.

Apprendre à utiliser Amazon SageMaker Autopilot et SageMaker Canvas pour entraîner plusieurs modèles sans écrire de code. Réaliser une analyse exploratoire des données et une visualisation en utilisant les bibliothèques Pandas, Seaborn et Matplotlib.

Comprendre les indicateurs-clés de performance des modèles de régression tels que RMSE, MSE, MAE, R2 et R2 ajusté. Comprendre les indicateurs-clés de performance des modèles de classification tels que la précision, la sensibilité, le score F1, le ROC et l'AUC.

Définir un travail de formation de Machine Learning avec AWS SageMaker JumpStart. Déployer un point de terminaison en utilisant Amazon SageMaker, effectuer des inférences et générer des prédictions.

Définir une fonction Lambda utilisant le SDK Boto3 et tester la fonction Lambda à l'aide d'Eventbridge (événements cloudwatch). Comprendre la différence entre les invocations synchrones et asynchrones des fonctions Lambda.

Réaliser le prototypage de modèles AI/ML utilisant la bibliothèque AutoGluon. Comment surveiller le tableau de bord de facturation, définir des alertes, les prix des instances S3/EC2 et demander l'augmentation des limites de service.

Comprendre la différence entre l'Intelligence Artificielle (IA), le Machine Learning (ML), la Data Science (DS) et le Deep Learning (DL). Apprendre les fondamentaux d'Amazon SageMaker, les composants SageMaker, les options de formation, y compris les algorithmes intégrés, le marché AWS, et les algorithmes ML personnalisés.

Utiliser un algorithme de détection d'objets Yolo V3 disponible sur le marché AWS. Comprendre le format et le cas d'utilisation des fichiers Json Lines et Manifest.

Apprendre le flux de travail d'auto-étiquetage et comprendre la différence entre SageMaker GroundTruth et GroundTruth Plus. Apprendre à définir une tâche d'étiquetage avec des boîtes délimitantes (détection d'objets), la segmentation sémantique au niveau des pixels et les données textuelles.

Comprendre la différence entre les forces de travail d'étiquetage de données sur AWS, telles que Mechanical Turks public, les étiqueteurs privés et les fournisseurs tiers sélectionnés par AWS. Apprendre la différence entre les stratégies d'apprentissage supervisé, non supervisé et de renforcement en Machine Learning.

Réaliser la visualisation des données en utilisant les bibliothèques Seaborn & Matplotlib, les graphiques incluent les graphiques en ligne, les diagrammes circulaires, les sous-graphiques, les pairplots, les countplots, et les cartes de chaleur de corrélations. Exporter un flux de travail de data wrangler en script Python, créer une formule personnalisée et l'appliquer à une colonne donnée dans les données, et générer des tableaux de synthèse/rapports de biais.

Apprendre à entraîner un algorithme XG-boost dans SageMaker en utilisant AWS JumpStart, évaluer les performances du modèle entraîné, tracer les résidus et déployer un point de terminaison. Comprendre le compromis biais-variance, les techniques de régularisation L1 et L2.

Entraîner/tester plusieurs classificateurs ML tels que la régression logistique, la machine à vecteurs de support (SVM), les k-plus proches voisins (KNN), les arbres de décision et les classificateurs de forêt aléatoire. Apprendre les algorithmes intégrés à SageMaker tels que Linear Learner, XG-Boost, l'analyse en composantes principales (PCA) et les k-plus proches voisins (KNN).

Voulez-vous devenir un ingénieur en Machine Learning AWS utilisant SageMaker en 30 jours ? Voulez-vous créer des applications de Machine Learning (ML) de niveau production sur AWS mais ne savez pas par où commencer ?

Êtes-vous un débutant absolu et voulez-vous vous lancer dans l'IA, le ML et l'informatique en nuage et cherchez un cours qui inclut tout ce dont vous avez besoin ? Êtes-vous un entrepreneur aspirant qui veut maximiser les revenus de l'entreprise et réduire les coûts avec le ML mais ne savez pas comment y parvenir rapidement et efficacement ?

Voulez-vous utiliser ChatGPT en tant que programmeur pour automatiser vos tâches de codage ? Si la réponse est oui à l'une de ces questions, alors ce cours est fait pour vous !

Le Machine Learning est l'avenir, l'un des domaines technologiques les plus convoités en ce moment ! Le ML et l'IA changeront nos vies de la même manière que l'électricité l'a fait il y a 100 ans.

Le ML est largement adopté dans la finance, la banque, la santé, le transport et la technologie. Le domaine explose d'opportunités et de perspectives de carrière.

AWS est l'une des plateformes d'informatique en nuage les plus utilisées au monde et plusieurs entreprises dépendent d'AWS pour leurs purposes d'informatique en nuage. AWS SageMaker est un service entièrement géré offert par AWS qui permet aux scientifiques des données et aux praticiens de l'IA de former, tester et déployer des modèles AI/ML rapidement et efficacement.

Ce cours est unique et exceptionnel à bien des égards, il comprend plusieurs opportunités d'exercice, des quiz et des projets finaux de synthèse. Dans ce cours, les étudiants apprendront comment créer des modèles ML de niveau production en utilisant AWS.

Le cours est divisé en 8 sections principales comme suit :

Section 1 (Jours 1 à 3) :

nous apprendrons les éléments suivants :

(1) Commencez avec un "starter pack" d'essentiels d'AWS et de Machine Learning qui inclut les principaux services AWS tels que Simple Storage Service (S3), Elastic Compute Cloud (EC2), Identity and Access Management (IAM) et CloudWatch, (2) Les avantages de l'informatique en nuage, la différence entre les régions et les zones de disponibilité et ce qui est inclus dans le forfait AWS Free Tier, (3) Comment configurer un tout nouveau compte sur AWS, configurer une authentification multifacteur (MFA) et naviguer dans la console de gestion AWS, (4) Comment surveiller le tableau de bord de facturation, définir des alertes, les prix des instances S3/EC2 et demander de l'augmentation des limites de service, (5) Les fondamentaux du Machine Learning et comprendre la différence entre l'Intelligence Artificielle (AI), le Machine Learning (ML), la Data Science (DS) et le Deep Learning (DL), (6) Apprenez la différence between supervised, unsupervised et reinforcement learning, (7) Liste des composants clés pour construire n'importe quel modèle de machine learning y compris les données, le modèle et le calcul, (8) Apprendre les fondamentaux d'Amazon SageMaker, les composants SageMaker, les options de formation offertes par SageMaker y compris les algorithmes intégrés, le marché AWS, et les algorithmes ML personnalisés, (9) Couvrir AWS SageMaker Studio et apprendre la différence entre AWS SageMaker JumpStart, SageMaker Autopilot et SageMaker Data Wrangler, (10) Apprenez comment écrire notre premier code dans le cloud en utilisant Jupyter Notebooks. Nous aurons ensuite un tutoriel couvrant les algorithmes de détection d'objets du marché AWS tels que Yolo V3, (11) Apprenez comment entraîner notre premier modèle de machine learning en utilisant le tout nouveau AWS SageMaker Canvas sans écrire de code !

Section 2 (Jours 4 à 5) :

nous apprendrons les éléments suivants :

(1) Étiqueter les images et les textes en utilisant Amazon SageMaker GroundTruth, (2) apprendre la différence entre les forces de travail d'étiquetage de données telles que les Mechanical Turks publics, les étiqueteurs privés et les fournisseurs tiers sélectionnés par AWS, (3) couvrir plusieurs histoires à succès d'entreprises qui ont utilisé des données pour maximiser les revenus, réduire les coûts et optimiser les processus, (4) couvrir les sources de données, les types et la différence entre les bonnes et les mauvaises données, (5) apprendre les formats Json Lines et les fichiers Manifest, (6) couvrir un tutoriel détaillé pour définir un travail d'étiquetage d'image en SageMaker, (7) flux de travail d'auto-étiquetage et apprendre la différence entre SageMaker GroundTruth et GroundTruth Plus, (8) apprendre comment définir un travail d'étiquetage avec des boîtes délimitantes (détection d'objets et segmentation sémantique au niveau des pixels), (9) Étiqueter les données textuelles en utilisant Amazon SageMaker GroundTruth. Section 3 (Jours 6 à 10) :

nous apprendrons :

(1) comment réaliser une analyse exploratoire des données (EDA), (2) maîtriser Pandas, une bibliothèque open-source super puissante pour réaliser des analyses de données en Python, (3) analyser les informations des employés de l'entreprise en utilisant Pandas dans Jupyter Notebooks dans AWS SageMaker Studio, (4) définir un DataFrame Pandas, lire les données CSV en utilisant Pandas, réaliser une analyse statistique de base sur les données, définir/réinitialiser l'index du DataFrame Pandas, sélectionner des colonnes spécifiques à partir du DataFrame, ajouter/supprimer des colonnes du DataFrame, effectuer une sélection d'éléments basée sur des étiquettes/des entiers, effectuer des opérations de diffusion, et effectuer un tri/ordre de DataFrame Pandas, (5) réaliser une analyse statistique des données sur des ensembles de données réels, traiter les données manquantes en utilisant pandas, changer les types de données du DataFrame pandas, définir une fonction et l'appliquer à une colonne du DataFrame Pandas, effectuer des opérations Pandas, et filtrer, calculer et afficher la matrice de corrélation, utiliser la bibliothèque seaborn pour montrer la carte de chaleur, (6) analyser les prix des cryptomonnaies et les rendements journaliers de Bitcoin (BTC), Ethereum (ETH), Litecoin (LTC), Cardano (ADA) et Ripple (XRP) en utilisant les bibliothèques Matplotlib et Seaborn dans AWS SageMaker Studio, (7) réaliser la visualisation des données en utilisant les bibliothèques Seaborn et Matplotlib, les graphiques incluent les graphiques en ligne, les diagrammes circulaires, les sous-graphiques multiples, pairplot, count plot, cartes de chaleur de corrélations, plot distribution (distplot), histogrammes et scatters plots, (8) Utiliser Amazon SageMaker Data wrangler dans AWS pour préparer, nettoyer et visualiser les données, (9) comprendre les stratégies et outils d'ingénierie des fonctionnalités, comprendre les fondamentaux de Data Wrangler dans AWS, réaliser un encodage one hot et une normalisation, réaliser la visualisation des données en utilisant Data Wrangler, exporter un flux de travail de data wrangler en script Python, créer une formule personnalisée et l'appliquer à une colonne donnée dans les données, générer des tableaux de synthèse dans Data Wrangler et générer des rapports de biais.

Section 4 (Jours 11 à 18) :

nous apprendrons :

(1) les fondamentaux de la régression en Machine Learning, y compris la régression linéaire simple/multiple et la somme des carrés des moindres, (2) construire notre premier modèle de régression linéaire simple en Scikit-Learn, (3) lister tous les algorithmes intégrés disponibles dans SageMaker, (4) construire, entraîner, tester et déployer un modèle de régression en machine learning en utilisant l'algorithme Linear Learner de SageMaker, (5) lister les algorithmes de régression en machine learning KPIs tels que l'erreur quadratique moyenne (MSE), l'erreur quadratique moyenne racine (RMSE), l'erreur quadratique moyenne (MAE), l'erreur de pourcentage moyenne (MPE), le coefficient de détermination (R2), et R2 ajusté, (6) Lancer un travail de formation en utilisant la console de gestion AWS et déployer un point de terminaison sans écrire de code, (7) couvrir la théorie et l'intuition derrière l'algorithme XG-Boost et comment l'utiliser pour résoudre des problèmes de type régression en Scikit-Learn et en utilisant les algorithmes intégrés de SageMaker, (8) apprendre à entraîner un algorithme XG-boost dans SageMaker en utilisant AWS JumpStart, évaluer les performances des modèles de régression entraînés, tracer les résidus, et déployer un point de terminaison et effectuer des inférences. Section 5 (Jours 19 à 20) :

nous apprendrons :

(1) les stratégies d'optimisation des hyperparamètres telles que la recherche par grille, la recherche aléatoire et l'optimisation bayesienne, (2) Comprendre le compromis biais variance et la régularisation L1 et L2, (3) réaliser l'optimisation des hyperparamètres en utilisant la bibliothèque Scikit-Learn et en utilisant le SDK SageMaker.

Section 6 (Jours 21 à 24) :

nous apprendrons :

(1) comment entraîner plusieurs algorithmes de classification tels que la régression logistique, la machine à vecteurs de support (SVM), les k-plus proches voisins (KNN), et le classificateur de forêt aléatoire, (2) lister la différence entre les différents modèles de classificateurs KPIs tels que l'exactitude, la précision, le rappel, le score F1, la courbe caractéristique de fonctionnement du récepteur (ROC) et l'aire sous la courbe (AUC), (3) entraîner des algorithmes XG-boost et Linear Learner dans SageMaker pour résoudre des problèmes de type classification, (4) apprendre la théorie et l'intuition derrière K Nearest Neighbors (KNN) dans SageMaker et apprendre à construire, entraîner et tester un modèle de classificateur KNN dans SageMaker. Cette section comprend également des matériaux bonus sur comment utiliser ChatGPT et des modèles d'IA générative en tant que programmeur.

Section 7 (Jours 25 à 28) :

nous apprendrons :

(1) comment utiliser la bibliothèque AutoGluon pour réaliser le prototypage de modèles AI/ML en utilisant quelques lignes de code, (2) utiliser AutoGluon pour entraîner plusieurs modèles de régression et de classification et déployer le meilleur, (3) utiliser Amazon SageMaker Autopilot et SageMaker Canvas pour entraîner plusieurs modèles sans écrire de code. Section 8 (Jours 29 à 30) :

nous apprendrons :

(1) comment définir et invoquer des fonctions lambda dans AWS, (2) comprendre l'automatisation des flux de travail de Machine Learning en utilisant AWS Lambda, les fonctions Step et les pipelines SageMaker, (3) apprendre à définir une fonction lambda dans la console de gestion AWS, (4) comprendre l'anatomie des fonctions Lambda, (5) apprendre comment configurer un événement de test dans Lambda, et surveiller les invocations de Lambda dans CloudWatch, (6) définir une fonction Lambda en utilisant le SDK Boto3, (7) tester la fonction lambda en utilisant Eventbridge (événements cloudwatch), (8) comprendre la différence entre les invocations synchrones et asynchrones, et invoquer une fonction Lambda en utilisant le SDK Boto3.

Programme

• Introduction à AWS SageMaker
Aperçu de AWS SageMaker et de ses composants
Configuration du compte AWS et de l'environnement SageMaker
Navigation dans la console SageMaker
• Fondamentaux de l'apprentissage automatique
Concepts clés de l'apprentissage automatique
Types d'apprentissage automatique : supervisé, non supervisé, par renforcement
Préparation et prétraitement des données
• SageMaker Studio et Jupyter Notebooks
Introduction à SageMaker Studio
Utilisation de Jupyter Notebooks pour les workflows de ML
Exploration des jeux de données intégrés et externes
• Ingénierie des données dans SageMaker
Solutions de stockage de données : S3, Redshift et RDS
Transformation et nettoyage des données avec SageMaker Data Wrangler
Meilleures pratiques en ingénierie des fonctionnalités
• Construction et entraînement de modèles
Sélection et utilisation des algorithmes intégrés
Développement de modèles personnalisés avec Python et TensorFlow/PyTorch
Gestion de l'entraînement de modèles à grande échelle : réglage des hyperparamètres et entraînement distribué
• Évaluation et déploiement de modèles
Évaluation des performances des modèles avec SageMaker
Test A/B et validation de modèles
Déploiement de modèles à l'aide de SageMaker Endpoints
• Automatisation et pipelines
Création de workflows ML automatisés avec SageMaker Pipelines
Utilisation d'Amazon Step Functions pour orchestrer les workflows ML
Surveillance et gestion des exécutions de pipeline
• Gestion et optimisation des coûts
Comprendre la tarification de SageMaker
Stratégies pour une utilisation rentable des ressources AWS
Surveillance de l'utilisation et réduction des coûts
• Sujets avancés de SageMaker
SageMaker RL pour les projets d'apprentissage par renforcement
Exploration de SageMaker JumpStart pour des solutions préconçues
Intégration avec d'autres services AWS comme Lambda et API Gateway
• Introduction à ChatGPT
Aperçu de ChatGPT et de ses capacités
Création d'agents conversationnels avec ChatGPT
Intégration de ChatGPT dans des applications avec Amazon SageMaker
• Projet de fin d'études
Conception d'une solution ML réelle en utilisant SageMaker
Mise en œuvre d'un chatbot en utilisant ChatGPT
Présentation et évaluation des résultats du projet
• Revue finale et évaluation
Revue complète des sujets clés
Examens pratiques et tests de simulation
Conseils et ressources pour la préparation à la certification

---

Enseigné par

Dr. Ryan Ahmed, Ph.D., MBA

---

Sujets

Programmation