Formation - AWS - Concevoir, déployer et surveiller un pipeline MLOps

Intra-entreprise

Référence : 8m8swAPI2Y8K

Durée : 35 h sur 5 j

Tarif

17 250 €

M2i Formation

Mougins

Intra-Entreprise

Une formation intra-entreprise réunit dans une même session les salariés d'une seule entreprise. Elle se déroule généralement dans les locaux de l'entreprise. Le tarif est convenu pour la formation d'un groupe de salarié.

Détails de la formation

Méthodes et outils pédagogiques

Formation délivrée en présentiel ou distanciel* (blended-learning, e-learning, classe virtuelle, présentiel à distance). Le formateur alterne entre méthode démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation). Variables suivant les formations, les moyens pédagogiques mis en oeuvre sont : - Ordinateurs Mac ou PC (sauf pour certains cours de l’offre Management), connexion internet fibre, tableau blanc ou paperboard, vidéoprojecteur ou écran tactile interactif (pour le distanciel) - Environnements de formation installés sur les postes de travail ou en ligne - Supports de cours et exercices En cas de formation intra sur site externe à M2i, le client s'assure et s'engage également à avoir toutes les ressources matérielles pédagogiques nécessaires (équipements informatiques...) au bon déroulement de l'action de formation visée conformément aux prérequis indiqués dans le programme de formation communiqué. nous consulter pour la faisabilité en distanciel * ratio variable selon le cours suivi

Objectifs de la formation

A l’issue de cette formation, vous serez capable de :

Concevoir et tester un modèle de ML (Machine Learning) sur AWS
Concevoir et tester un pipeline MLOps robuste
Déployer et automatiser votre pipeline MLOps de production et le passer à l'échelle
Surveiller votre modèle de production et corriger les écarts.

Méthodes d'évaluation

En cours de formation, par des études de cas ou des travaux pratiques - Et, en fin de formation, par un questionnaire d'auto-évaluation

Pré-requis

Avoir des connaissances en bases de données et/ou analytiques.

Public cible

Managers
Collaborateurs

Programme

Fondamentaux

-Qu'est-ce qu'une donnée ?-Cycle de vie d'une donnée-Cycle de vie de la Data Science-Evolution des analytiques-Apports des analytiques et du Cloud-Qu'est-ce qu'une organisation Data Driven ?-Gouvernance et qualité des données-Lean, Agilité et DevOps, MLOps appliqués aux données-Conteneurisation et architectures micro-services-Apports de MLOps-Workflow de MLOps-DevOps vs DataOps vs MLOps-Machine Learning et opérations : briser le mur de la confusion-Constituer et former une équipe MLOps-Amazon SageMaker-Amazon AI Services et AutoML-Exemple de travaux pratiques (à titre indicatif)
-Mise en pratique : création d'un pipeline MLOps simple

Mise en place de l'infrastructure et des outils

-Ingestion, exploration, et préparation des données dans AWS-Apprentissage et optimisation du modèle avec SageMaker-Déploiement de modèles avec SageMaker et AWS Lamba Functions-Streaming Analytics et Machine Learning sur AWS-AWS Infrastructure et hardware construit sur-mesure-Réduire les coûts avec les Tags, Budgets et AlertesJour 2

Machine Learning automatisé

-Machine Learning automatisé avec SageMaker Autopilot-Suivre les expérimentations avec SageMaker Autopilot-Entraîner et déployer un classificateur de texte avec SageMaker Autopilot-Machine Learning automatisé avec Amazon Comprehend

Ingérer des données dans le Cloud

-Requêter Amazon S3 Data Lake avec Amazon Athena-Ingérer des nouvelles données en continu avec AWS Glue Crawler-Construire un Lakehouse avec Amazon Redshift Spectrum-Choisir entre Amazon Athena et Amazon Redshift-Réduire les coûts et augmenter la performanceJour 3

Explorer le jeu de données

-Outils pour explorer les données dans AWS-Visualiser le Data Lake avec SageMaker Studio-Requêter le Data Warehouse-Créer des tableaux de bord avec Amazon QuickSight-Détecter des problèmes de qualité avec SageMaker et Apache Spark-Détection du biais dans notre jeu de données-Détecter différents types de drift avec SageMaker Clarity-Analyser les données avec AWS Glue DataBrew-Réduire les coûts et augmenter la performance