Introduction au machine learning
- Les avantages du machine learning.
- Les types d'approches du machine learning.
- Cadrer un problème métier.
- Qualité de prédiction.
- Les processus, rôles et responsabilités des projets machines learning.
Introduction à la préparation des données
- Analyse des données et préparation.
- Outils de préparation des données.
- Démonstration : revue d'Amazon SageMaker Studio et Notebooks.
Travaux pratiques
Préparer des données à l'aide de SageMaker Data Wrangler.
Entraîner un modèle
- Etapes pour entraîner un modèle.
- Choisir un algorithme.
- Entrainer un modèle dans Amazon SageMaker.
- Amazon CodeWhisperer.
- Démonstration : Amazon CodeWhisperer dans SageMaker Studio Notebooks.
Travaux pratiques
Entraîner un modèle avec Amazon SageMaker.
Evaluer et optimiser un modèle
- Evaluation d'un modèle.
- Réglage du modèle et optimisation des hyperparamètres.
Travaux pratiques
Optimiser de modèles et optimisation des hyperparamètres avec Amazon SageMaker.
Déployer un modèle
Travaux pratiques
Déployer un modèle sur un point de terminaison en temps réel et générer une prédiction.
Défis opérationnels
- ML responsable.
- Équipes ML et MLOps.
- Automatisation.
- Surveillance.
- Mise à jour des modèles (tests et déploiement des modèles).
Autre outils de model-building
- Les différents outils pour différentes compétences et besoin d'entreprise.
- Machine learning no-code avec Amazon SageMaker Canvas.
- Démonstration : présentation d'Amazon SageMaker Canvas.
- Amazon SageMaker Studio Lab.
- Démonstration : présentation de SageMaker Studio Lab.
Travaux pratiques
Intégrer une application web avec un point de terminaison de modèle Amazon SageMaker (optionnel).
1j
- 7h00 
