Déploiement de modèles de machine learning en production - eLearning

Chronologie du cours

1. Introduction

   Leçon 01

   • Qu’est-ce que le déploiement de modèle ?
   • Types de déploiement de modèles
   • Comment choisir le type de déploiement du modèle ?

2. AWS SageMaker

   Leçon 02

   • Équivalent d’AWS SageMaker sur GCP et Azure
   • Connectez-vous à votre compte AWS
   • Configuration d’AWS SageMaker Studio
   • Ouverture de Jupyter sur SageMaker Studio

3. Entraînement du modèle

   Leçon 03

   • Cloner le dépôt de la leçon
   • Téléchargement de la partie de données
   • Analyse exploratoire des données et ingénierie des caractéristiques
   • Code d’entraînement du modèle de base
   • Tester le modèle en local
   • Tâche d’entraînement SageMaker
   • Ajustement des hyperparamètres
   • Analyser les résultats

4. Inférence en temps réel SageMaker

   Leçon 04

   • Architecture de l’inférence en temps réel SageMaker
   • Créer le script d’inférence
   • Déploiement d’endpoint en temps réel
   • Invoquer le modèle
   • Nettoyage
   • Introduction au point de terminaison multimodèle
   • Déploiement d’un endpoint multimodèle
   • Invoquer le point de terminaison multimodèle
   • Introduction au serverless
   • Déploiement en inférence serverless

5. SageMaker Batch Transform

   Leçon 05

   • Architecture de SageMaker Batch Transform
   • Créer le script d’inférence pour la transformation par lot
   • Déclencher un travail de transformation par lot
   • Analyser les résultats

6. MLOps sur SageMaker

   Leçon 06

   • MLOps : opérations de machine learning
   • Mettre en œuvre le MLOps sur le cloud AWS avec SageMaker
   • Créer un projet MLOps avec un modèle SageMaker
   • Code du modèle de projet SageMaker
   • Déboguer les erreurs d’application avec Jupyter Notebook
   • Pousser des modifications de code pour déclencher le CI/CD
   • Tester le point de terminaison
   • Nettoyage