Formation Certification AWS Machine Learning Specialty

Programme de formation Certification AWS Machine Learning Specialty

[Jour 1 – Matin]

Comprendre le Machine Learning sur AWS

• Identifier les objectifs de la certification AWS Machine Learning Specialty
• Comprendre les fondamentaux du Machine Learning, du Deep Learning et de l’IA
• Différencier les approches supervisées, non supervisées et semi-supervisées
• Découvrir les principaux services AWS dédiés à la donnée et au Machine Learning
• Comprendre le cycle de vie complet d’un projet ML en environnement cloud
• Atelier pratique : Analyser un cas d’usage métier et définir une stratégie Machine Learning sur AWS.

[Jour 1 – Après-midi]

Collecter, stocker et préparer les données

• Structurer les données dans Amazon S3 pour les projets Machine Learning
• Comprendre les formats de données adaptés : CSV, JSON, Parquet et données non structurées
• Utiliser AWS Glue pour cataloguer, nettoyer et transformer les données
• Identifier les problèmes de qualité : valeurs manquantes, doublons, biais et incohérences
• Mettre en place une stratégie de préparation fiable avant l’entraînement
• Atelier pratique : Préparer un dataset exploitable pour un modèle Machine Learning.

Réaliser le feature engineering

• Comprendre le rôle du feature engineering dans la performance des modèles
• Créer, transformer et sélectionner des variables pertinentes
• Appliquer les techniques de normalisation, standardisation et encodage
• Gérer les variables catégorielles, numériques, temporelles et textuelles
• Utiliser SageMaker Processing pour industrialiser les transformations
• Atelier pratique : Construire un pipeline de features pour un cas de classification.

[Jour 2 – Matin]

Choisir les algorithmes et entraîner les modèles

• Comparer les algorithmes de classification, régression, clustering et recommandation
• Identifier les critères de choix d’un modèle selon le problème métier
• Utiliser les algorithmes intégrés d’Amazon SageMaker
• Lancer et superviser des jobs d’entraînement dans SageMaker
• Comprendre les notions de données d’entraînement, validation et test
• Atelier pratique : Entraîner un premier modèle avec Amazon SageMaker.

[Jour 2 – Après-midi]

Évaluer et optimiser les modèles Machine Learning

• Choisir les bonnes métriques : accuracy, precision, recall, F1-score, RMSE et AUC
• Identifier le surapprentissage, le sous-apprentissage et les biais de modèle
• Optimiser les hyperparamètres avec SageMaker Automatic Model Tuning
• Comparer plusieurs modèles à partir de critères techniques et métier
• Interpréter les résultats pour sélectionner le modèle le plus pertinent
• Atelier pratique : Optimiser un modèle et comparer ses performances avant/après tuning.

Exploiter SageMaker pour industrialiser le ML

• Comprendre les composants clés d’Amazon SageMaker
• Utiliser notebooks, training jobs, model registry et endpoints
• Organiser les expérimentations et le suivi des modèles
• Gérer les artefacts, versions et configurations d’entraînement
• Structurer un workflow ML reproductible et maintenable
• Atelier pratique : Organiser un projet ML complet avec les composants SageMaker.

[Jour 3 – Matin]

Déployer les modèles en production

• Déployer un modèle avec SageMaker Endpoints
• Comparer les modes de déploiement : temps réel, batch, serverless et asynchrone
• Configurer la scalabilité, la disponibilité et la latence des endpoints
• Mettre en place des stratégies de versioning, rollback et tests en production
• Sécuriser l’accès aux modèles exposés via API
• Atelier pratique : Déployer un modèle ML et tester son endpoint d’inférence.

[Jour 3 – Après-midi]

Mettre en place des pipelines MLOps

• Comprendre les principes du MLOps appliqués à AWS
• Automatiser les étapes de préparation, entraînement, validation et déploiement
• Utiliser SageMaker Pipelines pour orchestrer le cycle de vie ML
• Intégrer les workflows ML avec les pratiques CI/CD
• Gérer les validations, approbations et mises en production contrôlées
• Atelier pratique : créer un pipeline MLOps simple avec entraînement et déploiement automatisés.

Sécuriser les données, modèles et environnements ML

• Appliquer les bonnes pratiques IAM aux projets Machine Learning
• Sécuriser les données dans S3, les notebooks et les jobs SageMaker
• Comprendre le chiffrement au repos et en transit avec KMS
• Limiter les accès aux ressources avec VPC, rôles et politiques de sécurité
• Mettre en place des contrôles d’audit et de conformité
• Atelier pratique : Durcir la sécurité d’un environnement SageMaker.

[Jour 4 – Matin]

Superviser les modèles et détecter les dérives

• Comprendre les enjeux de supervision des modèles en production
• Surveiller les performances, la disponibilité et la qualité des prédictions
• Identifier les phénomènes de data drift et model drift
• Utiliser SageMaker Model Monitor pour suivre les modèles déployés
• Mettre en place des alertes et processus de réentraînement
• Atelier pratique : Configurer le monitoring d’un modèle déployé.

[Jour 4 – Après-midi]

Optimiser les coûts, performances et architectures ML

• Identifier les principaux postes de coût d’un projet Machine Learning sur AWS
• Choisir les instances adaptées pour l’entraînement et l’inférence
• Optimiser les traitements batch, endpoints et ressources de calcul
• Évaluer les compromis entre performance, latence, coût et complexité
• Appliquer les bonnes pratiques FinOps aux workloads ML
• Atelier pratique : Analyser et optimiser le coût d’une architecture ML AWS.

Préparation à la certification AWS Machine Learning Specialty

• Comprendre la structure de l’examen AWS Machine Learning Specialty
• Réviser les domaines clés : data engineering, modélisation, évaluation, déploiement et opérations
• Analyser les questions orientées scénarios et identifier les réponses les plus adaptées
• Reconnaître les pièges fréquents liés aux services AWS Machine Learning
• Construire un plan de révision personnalisé après la formation
• Atelier pratique : Passage de l’examen blanc + correction.