Formation Machine Learning Engineering sur AWS (MLEA) New
Concevez et industrialisez des solutions de machine learning à grande échelle avec les services AWS !
Vue d'ensemble
À travers l’usage de services comme Amazon SageMaker et d’outils d’analytique tels qu’Amazon EMR, vous développerez une approche complète allant de la préparation des données à la supervision des modèles déployés, en intégrant les dimensions MLOps, sécurité et optimisation.
Cette formation prépare à la certification AWS Certified Machine Learning Engineer – Associate.
Il est recommandé de disposer des connaissances suivantes :
- Compréhension des concepts fondamentaux du machine learning
- Pratique de Python et des bibliothèques courantes (ex.
NumPy, Pandas, Scikit-learn)
- Notions de base en cloud computing et familiarité avec AWS
- Connaissance de systèmes de versioning comme Git (utile mais non indispensable)
Objectifs pédagogiques
Programme détaillé
Module 1 : Démarrer le machine learning sur AWS
Notions clés du ML
Amazon SageMaker AI
ML responsable
Module 2 : Comprendre les enjeux et défis du ML
Analyse des problématiques métier liées au ML
Stratégies d’entraînement
Algorithmes d’entraînement
Module 3 : Préparer les données pour le ML
Typologie et préparation des données
Analyse exploratoire
Stockage sur AWS : options et critères de choix
Module 4 : Transformation des données et feature engineering
Gestion des données manquantes, erronées ou dupliquées
Fondamentaux de l’ingénierie des caractéristiques
Méthodes de sélection de caractéristiques
Services AWS pour la transformation des données
Lab : Analyse et préparation des données avec SageMaker Data Wrangler et Amazon EMR
Lab : Traitement des données avec SageMaker Processing et le SDK Python SageMaker
Module 5 : Définir une approche de modélisation
Algorithmes intégrés dans Amazon SageMaker AI
Amazon SageMaker Autopilot
Choisir un algorithme d’entraînement intégré
Critères de sélection d’un modèle
Enjeux de coût en machine learning
Module 6 : Entraîner des modèles de ML
Principes d’entraînement
Entraînement avec Amazon SageMaker AI
Lab : Entraîner un modèle avec Amazon SageMaker AI
Module 7 : Évaluer et optimiser les modèles
Mesure des performances
Réduction des temps d’entraînement
Optimisation des hyperparamètres
Lab : Ajuster et optimiser un modèle avec Amazon SageMaker AI
Module 8 : Déployer des modèles en production
Préparation au déploiement et cibles possibles
Stratégies de déploiement
Choisir une stratégie d’inférence
Conteneurs et types d’instances pour l’inférence
Lab : Répartition du trafic
Module 9 : Sécuriser les ressources ML sur AWS
Gestion des accès
Contrôles réseau pour les ressources ML
Sécurité des pipelines CI/CD
Module 10 : MLOps et déploiement automatisé
Introduction au MLOps
Automatisation des tests dans les pipelines CI/CD
Services de continuous delivery
Lab : Utiliser SageMaker Pipelines et le Model Registry avec SageMaker Studio
Module 11 : Superviser les modèles et la qualité des données
Détection de dérive des modèles
SageMaker Model Monitor
Suivi de la qualité des données et des modèles
Remédiation automatisée et résolution d’incidents
Lab : Surveiller un modèle et détecter la dérive des données
Module 12 : Clôture de la formation
Prochaines sessions
Ils nous font confiance
Cette année notre filière Amazon Web Services (AWS) a accompagné plus de 2 entreprises dont :
Avis des participants
Vraiment une super formation. Les échanges avec Julia étaient tops et très fluides. J'ai particulièrement apprécié le côté pratique : les cas concrets que nous avons vus sont directement exploitables et pourront être mis en application rapidement dans nos systèmes.
Votre formateur
Camilo R.
Formateur Machine Learning & Google Cloud
Camilo intervient sur des formations portant sur la Data Science et le Machine Learning. Parmi les formations qui lui sont confiées figurent notamment « MLOps » et « PyTorch ». Son activité de formation a débuté en 2024.
Financement
Cette formation est éligible aux financements OPCO et FNE-Formation. Nos équipes vous accompagnent dans le montage de votre dossier.
Questions fréquentes
Combien de temps dure la formation Machine Learning Engineering sur AWS (MLEA) ?
Cette formation se déroule sur 3 jours.
Quels sont les prérequis pour suivre la formation Machine Learning Engineering sur AWS (MLEA) ?
Il est recommandé de disposer des connaissances suivantes : - Compréhension des concepts fondamentaux du machine learning - Pratique de Python et des bibliothèques courantes (ex. NumPy, Pandas, Scikit-learn) - Notions de base en cloud computing et familiarité avec AWS - Connaissance de systèmes de versioning comme Git (utile mais non indispensable)
Quel est le prix de la formation Machine Learning Engineering sur AWS (MLEA) ?
En inter-entreprises, elle est à 2 550 € HT par participant. Un tarif sur-mesure est également disponible sur devis.
La formation Machine Learning Engineering sur AWS (MLEA) délivre-t-elle une certification ?
Oui, cette formation est certifiante.
La formation Machine Learning Engineering sur AWS (MLEA) est-elle éligible à un financement OPCO ?
Oui, cette formation est éligible aux financements OPCO et FNE-Formation. Nos équipes vous accompagnent dans le montage de votre dossier.
Choisissez votre formation
Mon contact chez SPARKS est professionnel et très réactif. Les échanges sont simples, efficaces, et la collaboration se déroule dans d'excellentes conditions.