Formation AWS Machine Learning avec Amazon SageMaker AI

Module 1 – 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

Module 2 – 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

Module 3 – 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

Module 4 – 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

Module 5 – 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

Module 6 – 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

Module 7 – 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

Module 8 – 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

Module 9 – 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

Module 10 – 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

Module 11 – 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

Module 12 – 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

Module 13 – 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

Module 14 – 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

Module 15 – 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

Module 16 – 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

Module 17 – 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

Autre(s) cours dans cette catégorie

→ Formation AWS Solutions Architect Associate (SAA-C03) – Infrastructure, Serverless et Certification

→ Formation AWS Machine Learning avec Amazon SageMaker AI

→ Formation AWS DevOps : Automatisation et Infrastructure IaC