AWS : Opérations Cloud sur Amazon Web Services (cours officiel)
- Durée
- Durée :3 jours
- Niveau
- Niveau :Intermédiaire
- Certification
- Certification :AWS Certified SysOps Administrator – Associate
2450€ HT
Prochaine session :
AWS : Machine Learning Engineering (cours officiel)
Certification
AWS Certified Machine Learning Engineer AssociateDescription de la formation AWS Machine Learning
Cette formation AWS Machine Learning Engineering est conçue pour apprendre l'ingénierie de l'apprentissage automatique sur AWS. Afin de construire, déployer, orchestrer et opérationnaliser des solutions de ML à grande échelle via une combinaison équilibrée de théorie, de laboratoires pratiques et d'activités.
Programme de la formation
Objectif opérationnel :
Savoir utiliser des services comme Amazon SageMaker AI et des outils d'analyses tel qu'Amazon EMR pour développer des applications d'apprentissage automatique robustes, évolutives et prêtes pour la production.
Objectifs pédagogiques :
À l'issue de cette formation AWS : Machine Learning Engineering vous aurez acquis les connaissances et les compétences nécessaires pour :
- Expliquer les principes fondamentaux de la ML et ses applications dans le nuage AWS
- Traiter, transformer et concevoir des données pour des tâches de ML en utilisant les services AWS
- Sélectionner les algorithmes de ML et les approches de modélisation appropriés en fonction des exigences du problème et de l'interprétabilité du modèle
- Concevoir et mettre en œuvre des pipelines de ML évolutifs en utilisant les services AWS pour la formation, le déploiement et l'orchestration des modèles
- Créer des pipelines automatisés d'intégration et de livraison continues (CI/CD) pour les flux de travail de ML
- Discuter des mesures de sécurité appropriées pour les ressources de ML sur AWS
- Mettre en œuvre des stratégies de surveillance pour les modèles ML déployés, y compris des techniques pour détecter la dérive des données
Jour 1
Amazon SageMaker AI
ML responsable
Approches de l'apprentissage automatique
Algorithmes d'apprentissage automatique
Analyse exploratoire des données
Options de stockage AWS et choix du stockage
Concepts de Feature Engineering
Techniques de sélection des caractéristiques
Services de transformation de données AWSAtelier 1 : Analyse et préparation des données avec Amazon SageMaker Data Wrangler et Amazon EMR
Atelier 2 : Traitement des données avec SageMaker Processing et SageMaker Python SDKJour 2
Sélection d'algorithmes de formation intégrés
Autopilote d'Amazon SageMaker
Considérations relatives à la sélection des modèles
Considérations relatives aux coûts de ML
Formation de modèles dans Amazon SageMaker AIAtelier 3 : Formation d'un modèle avec Amazon SageMaker AI
Techniques pour réduire le temps de formation
Techniques d'optimisation des hyperparamètresAtelier 4 : Optimisation des modèles et des hyperparamètres avec Amazon SageMaker AI
Stratégies de déploiement
Choix d'une stratégie d'inférence de modèle
Types de conteneurs et d'instances pour l'inférenceAtelier 5 : Déplacement du trafic A/BJour 3
Contrôles d'accès au réseau pour les ressources ML
Considérations de sécurité pour les pipelines CI/CD
Automatisation des tests dans les pipelines CI/CD
Services de livraison continueAtelier 6 : Utilisation des pipelines Amazon SageMaker et du registre de modèles Amazon SageMaker avec Amazon SageMaker Studio
SageMaker Model Monitor
Contrôle de la qualité des données et des modèles
Remédiation automatisée et dépannageAtelier 7 : Contrôle de la dérive des données dans un modèle
Introduction au Machine Learning (ML) sur AWS
Introduction au MLAmazon SageMaker AI
ML responsable
Module 2 : Analyser les défis du Machine Learning (ML)
Évaluer les défis commerciaux de l'apprentissage automatiqueApproches de l'apprentissage automatique
Algorithmes d'apprentissage automatique
Module 3 : Traitement des données pour le Machine Learning (ML)
Préparation des données et typesAnalyse exploratoire des données
Options de stockage AWS et choix du stockage
Transformation des données et ingénierie des fonctionnalités
Traitement des données incorrectes, dupliquées et manquantesConcepts de Feature Engineering
Techniques de sélection des caractéristiques
Services de transformation de données AWSAtelier 1 : Analyse et préparation des données avec Amazon SageMaker Data Wrangler et Amazon EMR
Atelier 2 : Traitement des données avec SageMaker Processing et SageMaker Python SDKJour 2
Choix d'une approche de modélisation
Algorithmes intégrés d'Amazon SageMaker AISélection d'algorithmes de formation intégrés
Autopilote d'Amazon SageMaker
Considérations relatives à la sélection des modèles
Considérations relatives aux coûts de ML
Formation de modèles d'apprentissage automatique (ML)
Concepts de formation de modèlesFormation de modèles dans Amazon SageMaker AIAtelier 3 : Formation d'un modèle avec Amazon SageMaker AI
Évaluation et optimisation des modèles de Machine Learning (ML)
Évaluation des performances des modèlesTechniques pour réduire le temps de formation
Techniques d'optimisation des hyperparamètresAtelier 4 : Optimisation des modèles et des hyperparamètres avec Amazon SageMaker AI
Stratégies de déploiement des modèles
Considérations sur le déploiement et options ciblesStratégies de déploiement
Choix d'une stratégie d'inférence de modèle
Types de conteneurs et d'instances pour l'inférenceAtelier 5 : Déplacement du trafic A/BJour 3
Sécurisation des ressources AWS Machine Learning (ML)
Contrôle d'accèsContrôles d'accès au réseau pour les ressources ML
Considérations de sécurité pour les pipelines CI/CD
Opérations d'apprentissage automatique (MLOps) et déploiement automatisé
Introduction aux MLOpsAutomatisation des tests dans les pipelines CI/CD
Services de livraison continueAtelier 6 : Utilisation des pipelines Amazon SageMaker et du registre de modèles Amazon SageMaker avec Amazon SageMaker Studio
Suivi des performances des modèles et de la qualité des données
Détection de la dérive dans les modèles MLSageMaker Model Monitor
Contrôle de la qualité des données et des modèles
Remédiation automatisée et dépannageAtelier 7 : Contrôle de la dérive des données dans un modèle
Public cible :
Cette formation s'adresse aux professionnels intéressés par la construction, le déploiement et l'opérationnalisation de modèles d'apprentissage automatique sur AWS. Elle peut concerner les ingénieurs en apprentissage automatique en poste ou en formation qui on peu d'expérience préalable avec AWS, les ingénieurs DevOps, les développeurs et les ingénieurs SysOps.
Prérequis :
Pour suivre ce cours, il est recommandé que les participants possèdent les connaissances suivantes :
- Familiarité avec les concepts de base de l'apprentissage automatique
- Connaissance pratique du langage de programmation Python et des bibliothèques de science des données courantes telles que NumPy, Pandas et Scikit-learn
- Compréhension de base des concepts de l'informatique en nuage et familiarité avec AWS
- Expérience des systèmes de contrôle de version tels que Git (bénéfique mais non obligatoire)
J'évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Date de mise à jour du programme : 13/01/2026
Dates et lieux
Période souhaitée
Lieux
Type d'affichage