Formation AWS Machine Learning avec Amazon SageMaker AI
La formation AWS Machine Learning avec Amazon SageMaker AI permet de découvrir les principales étapes de création d’une solution de Machine Learning dans AWS, depuis la préparation des données jusqu’au déploiement d’un modèle en production.
Pendant deux jours, les participants apprendront à utiliser les principaux services AWS liés au Machine Learning, notamment Amazon S3, Amazon SageMaker AI, IAM et CloudWatch. La formation met l’accent sur la pratique à travers des démonstrations et des ateliers permettant de préparer les données, entraîner un modèle, évaluer ses performances, le déployer et effectuer des prédictions.
Une introduction au MLOps, à la surveillance des modèles et à Amazon Bedrock permettra également de comprendre comment le Machine Learning et l’intelligence artificielle générative s’intègrent dans l’écosystème AWS.
Mis à jour le
La formation AWS Machine Learning avec Amazon SageMaker AI en bref
- Durée
- 2 jours
- Horaire
- 9 h à 16 h 30
- Format
- Classe virtuelle en direct ou présentiel à Montréal et à Québec
- Public
- Professionnels souhaitant découvrir Amazon Web Services.
- Prix
- 1 141 $ par participant, ou 969 $ pour organismes publics et OBNL (taxes en sus)
- Langue
- Français
Doussou Formation et AWS Machine Learning avec Amazon SageMaker AI en quelques faits
- Depuis 2016Doussou Formation donne des formations professionnelles au Québec
- 300+formations spécialisées au catalogue
- 97 %de satisfaction selon les évaluations clients
- RAP · CPMTFournisseur accrédité et organisme formateur reconnu
Prochaines sessions de la formation AWS Machine Learning avec Amazon SageMaker AI
En ligne
Programme de la formation AWS Machine Learning avec Amazon SageMaker AI
Introduction au Machine Learning
- Comprendre l’intelligence artificielle et le Machine Learning
- Différence entre IA, Machine Learning et Deep Learning
- Comprendre les notions de modèle, entraînement et prédiction
- Comprendre les features et les labels
- Apprentissage supervisé et non supervisé
- Classification, régression et clustering
- Exemples d’utilisation du Machine Learning en entreprise
Découvrir le Machine Learning dans AWS
- Présentation de l’écosystème AWS pour le Machine Learning
- Introduction à Amazon SageMaker AI
- Rôle d’Amazon S3 dans un projet Machine Learning
- Présentation des rôles IAM et des permissions
- Présentation de CloudWatch pour la surveillance
- Comprendre l’architecture générale d’une solution Machine Learning sur AWS
Préparer l’environnement AWS
- Accéder à la console AWS
- Choisir la région AWS
- Créer et configurer un bucket Amazon S3
- Téléverser un jeu de données dans S3
- Accéder à Amazon SageMaker AI
- Configurer les permissions nécessaires
- Découvrir l’environnement de travail SageMaker
Comprendre et préparer les données
- Identifier les données utilisées pour l’entraînement
- Comprendre les lignes, colonnes et variables
- Identifier les variables numériques et catégorielles
- Identifier la variable cible
- Traiter les valeurs manquantes
- Identifier et supprimer les doublons
- Comprendre les valeurs aberrantes
- Sélectionner les variables pertinentes
Transformer les données pour le Machine Learning
- Nettoyer un jeu de données
- Transformer les types de données
- Encoder les variables catégorielles
- Normaliser certaines données
- Introduction au Feature Engineering
- Créer un jeu de données prêt pour l’entraînement
- Découvrir les outils de préparation des données dans SageMaker
Préparer les données d’entraînement et de test
- Comprendre le rôle des données d’entraînement
- Comprendre le rôle des données de validation
- Comprendre le rôle des données de test
- Diviser un jeu de données en plusieurs ensembles
- Comprendre l’importance de la généralisation du modèle
Entraîner un modèle avec Amazon SageMaker AI
- Comprendre le fonctionnement d’un algorithme de Machine Learning
- Choisir un algorithme adapté au problème
- Comprendre les Training Jobs
- Configurer un entraînement dans SageMaker
- Comprendre les hyperparamètres
- Choisir les ressources de calcul
- Lancer un entraînement
- Suivre l’exécution du Training Job
- Récupérer le modèle entraîné
Évaluer les performances du modèle
- Comprendre pourquoi un modèle doit être évalué
- Mesurer l’Accuracy
- Comprendre la Precision
- Comprendre le Recall
- Découvrir le F1 Score
- Comprendre la matrice de confusion
- Comparer les prédictions avec les résultats attendus
- Interpréter les performances d’un modèle
Comprendre l’Underfitting et l’Overfitting
- Comprendre l’Underfitting
- Comprendre l’Overfitting
- Identifier un modèle qui généralise mal
- Comprendre l’impact des données sur les performances
- Comprendre l’impact des hyperparamètres
- Améliorer progressivement un modèle
Optimiser un modèle Machine Learning
- Comparer plusieurs modèles
- Modifier les hyperparamètres
- Améliorer les variables utilisées
- Introduction au Hyperparameter Tuning
- Réentraîner un modèle
- Comparer les nouvelles performances
- Sélectionner le meilleur modèle
Déployer un modèle avec Amazon SageMaker AI
- Comprendre le principe de l’inférence
- Créer un modèle déployable
- Comprendre les endpoints SageMaker
- Configurer un endpoint
- Déployer un modèle
- Envoyer de nouvelles données au modèle
- Récupérer une prédiction
- Découvrir l’inférence en temps réel
- Introduction à l’inférence par lot et à l’inférence Serverless
Intégrer un modèle dans une application AWS
- Comprendre comment une application consomme un modèle
- Appeler un endpoint SageMaker avec Python
- Introduction à AWS Lambda
- Introduction à Amazon API Gateway
- Comprendre une architecture API Gateway, Lambda et SageMaker
- Tester une prédiction depuis une application
Introduction au MLOps avec AWS
- Comprendre le cycle de vie d’un modèle Machine Learning
- Versionner les modèles
- Introduction à SageMaker Model Registry
- Enregistrer différentes versions d’un modèle
- Comprendre l’approbation d’un modèle
- Gérer le passage vers la production
- Comprendre le principe du réentraînement
Surveiller un modèle en production
- Introduction à Amazon CloudWatch
- Consulter les métriques d’un endpoint
- Consulter les logs
- Comprendre le Data Drift
- Comprendre le Model Drift
- Introduction à SageMaker Model Monitor
- Identifier une baisse de performance
- Déterminer quand réentraîner un modèle
Sécurité et gestion des coûts
- Comprendre les rôles IAM utilisés par SageMaker
- Appliquer le principe du moindre privilège
- Contrôler les accès aux données Amazon S3
- Comprendre la protection des données
- Identifier les principales sources de coûts SageMaker
- Comprendre les coûts liés aux Training Jobs
- Comprendre les coûts liés aux endpoints
- Supprimer les ressources inutilisées après les ateliers
Introduction à l’IA générative sur AWS
- Différence entre Machine Learning traditionnel et IA générative
- Comprendre les Foundation Models
- Comprendre les Large Language Models
- Introduction à Amazon Bedrock
- Comprendre le principe d’un prompt
- Introduction aux embeddings
- Introduction au RAG
- Identifier les cas d’utilisation de SageMaker AI et d’Amazon Bedrock
Atelier pratique : projet Machine Learning de bout en bout
- Importer un jeu de données dans Amazon S3
- Explorer et préparer les données
- Séparer les données d’entraînement et de test
- Configurer Amazon SageMaker AI
- Entraîner un modèle
- Évaluer ses performances
- Améliorer le modèle
- Déployer le modèle sur un endpoint SageMaker
- Envoyer de nouvelles données au modèle
- Obtenir et interpréter une prédiction
- Consulter les métriques et les logs
- Supprimer les ressources AWS utilisées pendant l’atelier
Tarifs et informations pratiques
Tarif préférentiel
969 $ / participant
Organismes publics et OBNL · taxes en sus
Prix public
1 141 $ / participant
Entreprises et particuliers · taxes en sus
Informations pratiques
- Durée : 2 jours
- Horaire : 9 h à 16 h 30
- Format : Classe virtuelle en direct ou présentiel à Montréal et à Québec
- Paiement : en ligne (PayPal ou carte) à l’inscription, ou sur facture pour les organisations
Formation AWS Machine Learning avec Amazon SageMaker AI en entreprise
Formez toute votre équipe en groupe privé, sur vos propres documents, dans vos locaux ou en classe virtuelle, aux dates qui vous conviennent.
Avis des participants
97 % de satisfaction (évaluations de fin de formation, 120 évaluations) · Lire tous les témoignages
Pourquoi suivre cette formation AWS Machine Learning avec Amazon SageMaker AI
Objectifs : ce que vous saurez faire
- Comprendre les principes fondamentaux du Machine Learning
- Découvrir les principaux services AWS dédiés au Machine Learning
- Préparer et gérer des données avec Amazon S3 et SageMaker AI
- Entraîner et évaluer un modèle Machine Learning
- Déployer un modèle et effectuer des prédictions
- Comprendre les bases du MLOps et de la surveillance des modèles
- Appliquer les bonnes pratiques de sécurité et de gestion des coûts
- Découvrir Amazon Bedrock et l’IA générative sur AWS
Prérequis
- Avoir une connaissance générale des concepts du cloud AWS
- Savoir naviguer dans la console de gestion AWS
- Avoir des notions de base sur Amazon S3 et IAM
- Avoir des connaissances de base en Python
- Être à l’aise avec la manipulation de données simples, notamment les fichiers CSV
- Aucune expérience préalable en Machine Learning n’est requise
Ce qui est inclus
- Support de cours et fichiers d’exercices pour chaque participant
- Attestation de participation
- Possibilité de coaching personnalisé après la formation
- En session publique en présentiel :
- Thé et café
- Dîner dans un restaurant à proximité
- Stationnement (dans certaines villes)
- Connexion Internet sans fil