AWS : Mise en Réseau
- Durée
- Durée :3 jours
- Niveau
- Niveau :Fondamental
- Certification
- Certification :Non
1990€ HT
Prochaine session :
AWS SageMaker : Mise en pratique de la Data Science
Comprendre et appliquer le processus complet de Machine Learning avec Amazon SageMaker pour collaborer efficacement avec des data scientistsDescription de la formation Data Science AWS SageMaker
Qu’est‑ce que Mise en pratique de la Data Science avec Amazon SageMaker ?
Cette formation d’une journée propose une immersion pratique dans les étapes clés du Machine Learning à l’aide d’Amazon SageMaker Studio, le service AWS dédié à la création, l’entraînement, l’évaluation, l’optimisation et le déploiement de modèles ML.
Pourquoi suivre une formation Mise en pratique de la Data Science avec Amazon SageMaker ?
Dans un contexte où l’Intelligence Artificielle et le Machine Learning deviennent des compétences recherchées, cette formation permet aux développeurs et ingénieurs DevOps d’acquérir une compréhension concrète du cycle de vie d’un projet ML, d’exécuter les étapes de préparation des données à la mise en production de modèles et de renforcer l’intégration des services AWS dans les solutions d’entreprise.
Programme de la formation
Objectif opérationnel :
Savoir préparer des données, entraîner, évaluer, optimiser et déployer un modèle de Machine Learning avec Amazon SageMaker.
Objectif pédagogiques :
À l'issue de cette formation Mise en pratique de la Data Science avec Amazon SageMaker, vous aurez acquis les connaissances nécessaires pour :
- Introduction au Machine Learning : Apprendre les bases de du Machine Learning et la façon dont il peut résoudre les problèmes de l'entreprise. Avantages des différents types de machine learning pour résoudre les problèmes que rencontrent les entreprises
- Préparation des données : Comprendre comment préparer et prétraiter les données pour les modèles de ML.
- Entraînement et évaluation des modèles : Acquérir une expérience pratique de la formation et de l'évaluation des modèles de ML.
- Mise au point du modèle : Apprendre les techniques d'optimisation et de réglage de vos modèles pour de meilleures performances.
- Déploiement de modèles : Comment déployer des modèles de ML dans des environnements de production.
Introduction au Machine Learning
Types de MLDescription des processus, rôles et responsabilités typiques d’une équipe qui crée et déploie des systèmes de ML
Synthèse des étapes pour préparer les données et entraîner, évaluer, ajuster et déployer des modèles de ML
Introduction à Data Prep et SageMaker
Introduction à SageMakerDémo: Console SageMakerDémo: Lancer un notebook Jupyter
Formulation du problème et préparation des données
Problème d'entreprise : Taux d'attrition des clientsExaminer l'ensemble de données sur le taux d'attrition des clients
Analyse des données et visualisation
Travaux pratiques : Démo : Chargement et visualisation de votre jeu de donnéesExercice 1 : Relier les caractéristiques aux variables cibles
Exercice 2 : relations entre les attributs
Démo : Nettoyage des données
Formation et évaluation d'un modèle
Types d'algorithmesXGBoost et SageMaker
Démo : Entraînement des données
Exercice 3 : Finir la définition de l'estimateur
Exercice 4 : Définition des hyperparamètres
Exercice 5 : Déploiement du modèle
Démo : Réglage des hyperparamètres avec SageMaker
Démonstration : Evaluation des performances du modèle
Réglage automatique d'un modèle
Ajustement automatique des hyperparamètres avec SageMakerJobs de tuning
Déploiement / Préparation à la mise en production
Déploiement d'un modèle vers un endpointDéploiement A/B pour les tests
Mise à l'échelle automatique
Démo : Configurer et tester la mise à l'échelle automatique
Démo : Vérifier le travail de réglage des hyperparamètres
Démo : AWS Autoscaling
Exercice 10-11 : Configurer AWS Autoscaling
Coût des différents types d'erreurs
Démonstration : Classification binaire - seuil d'erreur
Amazon SageMaker Architecture et caractéristiques
Accès aux notebooks Amazon SageMaker dans un VPCTransformations par lots Amazon SageMaker
Amazon SageMaker Ground Truth
Amazon SageMaker Neo
Public cible :
Cette formation s’adresse aux développeurs, data scientists …
Prérequis :
Pour suivre ce cours, il est recommandé d’avoir suivi la Formation AWS : Notions Techniques de base sur Amazon Web Services ou de posséder des connaissances équivalentes, de comprendre les bases de la programmation Python et de disposer de connaissances de base en statistiques et en machine learning.
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 : 14/01/2026
Dates et lieux
Période souhaitée
Lieux
Type d'affichage