Vos processus de machine learning (ML) pourraient-ils bénéficier de l'agilité DevOps ? Dans ce cours AWS officiel, découvrez comment appliquer les pratiques de DevOps pour créer, entraîner et déployer des modèles de ML.

Il est nécessaire d'avoir suivi au préalable les formations suivantes :

• AWS Technical Essentials
• DevOps Engineering on AWS ou une expérience équivalente
• Practical Data Science with Amazon SageMaker ou une expérience équivalente

• Décrire les opérations de machine learning
• Comprendre la différence fondamentale entre DevOps et MLOps
• Décrire le flux de travail de machine learning
• Discuter l'importance de la communication en MLOps
• Expliquer les options d'automation de flux de travail de ML
• Lister les fonctionnalités centrales d'Amazon SageMaker pour l'automatisation MLOps
• Construire un processus de machine learning automatisé qui crée, entraîne, teste et déploie des modèles
• Construire un processus de machine learning automatisé qui réentraîne le modèle en se basant sur les changements opérés dans le code du modèle
• Identifier les éléments et les étapes importantes du processus de déploiement
• Décrire les objets qui peuvent être intégrés dans un pack de modèle, ainsi que leur utilité pour l'entraînement et l'inférence
• Reconnaître les options d'Amazon SageMaker pour sélectionner des modèles de déploiement, y compris le support pour les frameworks de ML et les algorithmes built-in ou les modèles personnels
• Différencier la mise à l'échelle dans le cadre du machine learning de la mise à l'échelle dans d'autres applications
• Déterminer quand utiliser les différentes approches d'inférence
• Discuter les stratégies, avantages, défis et utilisations types de déploiements
• Décrire les défis rencontrés lors du déploiement de machine learning sur des appareils périphériques
• Reconnaître les fonctionnalités importantes d'Amazon SageMaker qui sont pertinentes le déploiement et l'inférence
• Expliquer pourquoi la surveillance est importante
• Détecter les dérives de données dans l'entrée de données sous-jacente
• Expliquer comment surveiller des modèles de ML pour déceler des biais
• Expliquer comment surveiller la consommation des ressources et la latence du modèle
• Discuter comment intégrer des retours humains sur les résultats de modèles en production

programme de cours