Plan de cours

Référence : @AWS (PDSASM)

Durée : 1 jour

Ce cours de niveau intermédiaire montre aux participants comment résoudre un cas d’utilisation de Machine Learning (ML) qui produit des résultats concrets grâce à SageMaker d’Amazon. Ce cours couvre les étapes d'un processus typique de science des données : de l'analyse, de la visualisation d'un ensemble de données, à la préparation des données jusqu’ à l'ingénierie des fonctionnalités. Les participants apprendront également les aspects pratiques de la création, de la formation, du réglage et du déploiement de modèles avec Amazon SageMaker. Les cas à l’étude incluent également une analyse de la fidélisation de la clientèle.
Public concerné	Qui devrait participer à cette formation : Développeurs Scientifiques des données
Préalables	Conditions préalables Connaissance du langage de programmation Python Compréhension de base de l'apprentissage automatique
Objectifs	Objectifs du cours Préparer un ensemble de données pour la formation Former et évaluer un modèle d'apprentissage automatique Ajuster un modèle d'apprentissage automatique Préparer un modèle d'apprentissage automatique pour la production Analyse critique par rapport aux résultats générés par le Machine Learning
Contenu	Module 1: Introduction à l'apprentissage automatique Types de ML Rôles d'emploi en ML Étapes du pipeline ML
	Module 2: Introduction à la préparation des données et à SageMaker Ensemble de données de formation et de test défini Introduction à SageMaker Démo: console SageMaker Démo: Lancement d'un bloc-notes Jupyter
	Module 3: Formulation des problèmes et préparation des ensembles de données Défi commercial: désabonnement des clients Examiner le jeu de données de désabonnement client
	Module 4: Analyse et visualisation des données Démo: Chargement et visualisation de votre jeu de données Exercice 1: Relier les fonctionnalités aux variables ciblés Exercice 2: Relations entre les attributs Démo: Nettoyage des données
	Module 5: Formation et évaluation d'un modèle Types d'algorithmes XGBoost et SageMaker Démo 5: Entraînement ou interprétation ou faire parler les données Exercice 3: finaliser la définition de l'estimateur Exercice 4: configuration des hyperparamètres Exercice 5: déploiement du modèle Démo: réglage des hyperparamètres avec SageMaker Démo: évaluation des performances du modèle Module 6: Ajuster automatiquement un modèle Réglage automatique hyperparamétrique avec SageMaker Exercices 6-9: Réglage de travaux Module 7: Déploiement / Préparation à la production Déployer un modèle sur un noeud final Déploiement 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 de l'hyperparamètre Démo: AWS Autoscaling (auto-câlibrage) Exercice 10-11: Configurer la mise à l'échelle automatique AWS Module 8: Coût relatif des erreurs Coût de divers types d'erreur Démo: coupure de la classification binaire Module 9: Architecture et fonctionnalités d'Amazon SageMaker Accès aux blocs-notes Amazon SageMaker dans un VPC Transformations par lot Amazon SageMaker Amazon SageMaker Ground Truth Amazon SageMaker Neo La formation en ligne

Science des données pratiques avec Sage Maker (PDSASM)

Plan de cours