Ce que vous apprendrez

• Ingérer, transformer et préparer des données ML avec AWS Glue, S3 et SageMaker Feature Store.
• Entraîner, évaluer et optimiser des modèles ML avec SageMaker Training Jobs, Experiments et Debugger.
• Déployer des modèles à grande échelle via les endpoints SageMaker, les transformations par lots et les tests A/B.
• Automatiser les workflows ML avec SageMaker Pipelines et Step Functions.
• Monitorer les performances, détecter la dérive et maintenir la qualité avec SageMaker Model Monitor.

À qui s'adresse cette formation ?

Cette formation s'adresse aux ingénieurs ML, data scientists et architectes cloud qui construisent et exploitent des systèmes ML en production. Elle convient également aux ingénieurs DevOps se spécialisant en MLOps.

Prérequis

• AWS Certified AI Practitioner ou expérience cloud équivalente.
• Programmation Python de base et familiarité avec les concepts ML.
• Aucune mathématique avancée requise — le focus est sur l'ingénierie et l'exploitation.

Programme de formation

Module 1 – Architecture ML sur AWS

Vue d'ensemble de la stack ML AWS, composants clés de SageMaker, choix du bon service pour les workloads de données, d'entraînement et d'inférence.

Module 2 – Préparation des données & feature engineering

Pipelines de données avec Glue et S3, feature engineering et versionnage avec SageMaker Feature Store, qualité et gouvernance des données.

Module 3 – Entraînement & évaluation des modèles

Configuration des Training Jobs SageMaker, stratégies d'entraînement distribué, optimisation des hyperparamètres, métriques et bonnes pratiques d'évaluation.

Module 4 – Déploiement & mise en service des modèles

Endpoints temps réel, inférence serverless, transformations par lots, déploiements shadow et tests A/B pour les mises en production.

Module 5 – MLOps & automatisation

SageMaker Pipelines, Step Functions et CI/CD pour le ML, déclencheurs de réentraînement automatisés, infrastructure as code pour les workloads ML.

Module 6 – Monitoring & préparation à l'examen

SageMaker Model Monitor pour la détection de dérive, optimisation des coûts, IA responsable en production, et stratégies de préparation à l'examen MLA-C01.

Examen de certification

• Examen : AWS Certified Machine Learning Engineer – Associate (MLA-C01).
• Format : Questions à choix multiples et à réponses multiples.
• Durée : 130 minutes.
• Langue : Anglais.
• Certification : Certification officielle AWS niveau Associate.

Pourquoi cette certification est importante

• Valider ses compétences en ingénierie ML en production avec une certification AWS officielle.
• Se démarquer sur les postes MLOps et d'ingénierie IA cloud-native.
• Combler l'écart entre l'expérimentation et les systèmes ML fiables et scalables.
• Préparer les parcours d'architecte ML senior et d'ingénieur principal.

Et après ?

Après cette certification, les apprenants progressent généralement vers l'AWS Certified Solutions Architect Professional, des rôles d'architecture MLOps avancée, ou la conception de solutions d'IA générative sur AWS avec Amazon Bedrock et SageMaker.