Aller au contenu principal

AWS SageMaker — entraîner, déployer et surveiller

Porter un modèle d'apprentissage en production sur AWS SageMaker, de la donnée déposée sur S3 jusqu'au point de terminaison surveillé, en passant par le réglage automatique, la transformation par lots et un pipeline versionné dans un registre. Chaque étape indique ce qu'elle coûte, parce qu'un cours cloud qui ne parle pas de la facture ne prépare à rien.

Durée du cours : 7h​

Ce que vous allez apprendre​

  • Choisir entre carnet Studio, tâche d'entraînement gérée et point de terminaison selon le besoin
  • Organiser vos données sur S3 et connecter un magasin de variables (Feature Store)
  • Entraîner un modèle avec les conteneurs intégrés (XGBoost), puis avec un script scikit-learn en mode script
  • Lancer un réglage automatique d'hyperparamètres et lire ses résultats
  • Servir un modèle en temps réel puis en sans serveur, et choisir entre les deux
  • Scorer un fichier mensuel en transformation par lots plutôt qu'en gardant un point de terminaison actif
  • Construire un pipeline (SageMaker Pipelines) qui traite, entraîne, évalue, enregistre et déclenche
  • Surveiller la dérive avec Model Monitor, contrôler la facture avec Budgets et CloudWatch

Prérequis​

  • Cours 20 — MLOps complet
  • Notions d'AWS : S3, IAM, régions, gestion des accès
  • Python courant, pandas, scikit-learn

Modules du cours​

  1. Panorama de SageMaker et de ses composants
  2. Studio, carnets et environnements de travail
  3. Données sur S3 et magasins de variables
  4. Tâches d'entraînement et conteneurs intégrés
  5. Conteneurs personnalisés et scripts d'entraînement
  6. Réglage automatique des hyperparamètres
  7. Points de terminaison en temps réel et sans serveur
  8. Transformation par lots pour les gros volumes
  9. SageMaker Pipelines et registre de modèles
  10. Surveillance, alertes et maîtrise de la facture

Le fil rouge​

Tous les modules travaillent le même cas concret : le modèle de résiliation du cours 20 — prédire si un client d'un opérateur télécom va résilier dans les trente jours — porté cette fois sur SageMaker. Les données arrivent sur S3, l'entraînement passe d'abord par XGBoost intégré puis par un script scikit-learn personnalisé, un réglage bayésien affine les hyperparamètres, le modèle est servi en temps réel pour l'application mobile et en lot pour le fichier mensuel d'appels, un pipeline enchaîne le tout et un Model Monitor détecte la dérive du taux d'appels au support. À chaque étape, la facture est chiffrée.

Évaluation et attestation​

Le parcours se termine par un examen de 40 questions qui couvre tous les modules. En cas de réussite, une attestation d'achèvement est délivrée ; son numéro est vérifiable sur la plateforme.

Les cours gratuits, eux, se concluent par un quiz de 5 questions avec un aperçu de l'attestation, sans certification.