Formation Certification AWS Machine Learning Engineer Associate

Programme de formation AWS Machine Learning Engineer – Associate (MLA-C01)

[Jour 1 – Matin]

Fondamentaux du Machine Learning appliqué sur AWS

• Rappels : Machine Learning, Deep Learning, apprentissage supervisé et non supervisé
• Types de problèmes ML : classification, régression, clustering
• Cycle de vie d’un projet ML en production
• Spécificités du ML dans un environnement AWS
• Rôle du Machine Learning Engineer
• Atelier pratique : Identifier le type de problème ML et l’architecture cible.

[Jour 1 – Après-midi]

Données, préparation et feature engineering

• Collecte et ingestion des données ML
• Qualité des données, biais et déséquilibres
• Feature engineering et sélection de variables
• Stockage et versioning des datasets sur AWS
• Traçabilité et reproductibilité
• Atelier pratique : Proposer une stratégie de préparation des données.

Environnements ML et outils AWS

• Panorama des services Machine Learning AWS
• Rôle de Amazon SageMaker
• Notebooks, jobs d’entraînement et pipelines
• Gestion des environnements et dépendances
• Choisir les bons outils selon le cas d’usage
• Atelier pratique : Construire un workflow ML sur AWS.

[Jour 2 – Matin]

Entraînement et évaluation des modèles

• Sélection des algorithmes ML
• Entraînement distribué et optimisation
• Métriques d’évaluation et validation
• Gestion de l’overfitting et du biais
• Comparaison et sélection des modèles
• Atelier pratique : Interpréter les métriques et choisir un modèle.

[Jour 2 – Après-midi]

Déploiement et inference à l’échelle

• Stratégies de déploiement des modèles ML
• Inference temps réel et batch
• Scalabilité, latence et haute disponibilité
• Versioning et rollback des modèles
• Bonnes pratiques de mise en production
• Atelier pratique : Concevoir une architecture d’inference scalable.

MLOps, automatisation et supervision

• Principes MLOps sur AWS
• Pipelines CI/CD pour le Machine Learning
• Surveillance des modèles et détection de drift
• Logs, métriques et alertes
• Amélioration continue des modèles
• Atelier pratique : Définir un pipeline MLOps complet.

[Jour 3 – Matin]

Sécurité, gouvernance et conformité ML

• Sécurité des données et des modèles ML
• Gestion des accès et des identités
• Gouvernance des datasets et modèles
• Responsabilité et explicabilité
• Conformité et bonnes pratiques cloud
• Atelier pratique : Identifier les risques et contrôles de sécurité.

[Jour 3 – Après-midi]

Optimisation des coûts et performance

• Facturation ML sur AWS
• Optimisation des ressources d’entraînement
• Choix des instances et arbitrages coût/performance
• Bonnes pratiques FinOps
• Optimisation continue
• Atelier pratique : Réduire les coûts d’un scénario ML.

Préparation à la certification et examen blanc

• Structure et domaines de l’examen MLA-C01
• Types de questions et pièges fréquents
• Stratégies de gestion du temps
• Révisions ciblées par domaine
• Analyse des erreurs fréquentes
• Atelier pratique : Passage de l’examen blanc + correction.