Introduction au machine learning

• Les types de ML.
• Les rôles professionnels dans le ML.
• Les étapes du pipeline dans le ML.

Introduction à la préparation des données et à SageMaker

• Ensemble de données de formation et de test défini.
• Introduction à SageMaker.
• SageMaker console.
• Lancement d'un notebook Jupyter.

Formulation du problème et préparation des jeux de données (datasets)

• Désabonnement des clients.
• Examiner l'ensemble de données sur le taux de désabonnement des clients.

Analyse et visualisation des données

• Chargement et visualisation d'un ensemble de données.
• Nettoyer les données.

Entraîner et évaluer un modèle

• Les types d'algorithmes.
• XGBoost et SageMaker.
• Entrainer les données.
• Régler des hyperparamètres avec SageMaker.
• Evaluer un modèle de performance.

Régler automatiquement un modèle

• Réglage automatique des hyperparamètres avec SageMaker.

Préparation au déploiement / production

• Déployer un modèle sur un point de terminaison.
• Déploiement A/B pour les tests.
• Mise à l'échelle automatique.
• Auto Scaling.
• Configurer AWS Auto Scaling.
• Vérifier le travail de réglage des hyperparamètres.

Coût des erreurs relatifs

• Coût de divers types d'erreurs.
• Seuil de classification binaire.

Architecture et fonctionnalités d'Amazon SageMaker

• Accès aux blocs-notes Amazon SageMaker dans un VPC.
• Transformations par lots Amazon SageMaker.
• Amazon SageMaker Ground Truth.
• Amazon SageMaker Neo.

• Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
• Le dispositif FNE-Formation
• L’OPCO (opérateurs de compétences) de votre entreprise.
• Pôle Emploi sous réserve de l’acceptation de votre dossier par votre conseiller Pôle Emploi.

• Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
• Le dispositif FNE-Formation
• L’OPCO (opérateurs de compétences) de votre entreprise.
• Pôle Emploi sous réserve de l’acceptation de votre dossier par votre conseiller Pôle Emploi.