Déployer des modèles de Machine Learning sur AWS avec Serverless

Vous avez entraîné un modèle de machine learning, mais comment le mettre en production sans la complexité de la gestion des serveurs ? Ce cours offre une voie pratique pour déployer vos modèles en tant que services web évolutifs et en direct en utilisant une approche serverless. À la fin de ce cours, vous serez capable d'empaqueter en toute confiance divers modèles ML, de définir l'infrastructure cloud nécessaire sous forme de code, et de les déployer en tant qu'API robustes sur AWS. Vous passerez d'un fichier de modèle entraîné à un point d'accès entièrement fonctionnel et prêt pour la production, capable de servir des prédictions à la demande. Ce que vous apprendrez : - Comprendre les concepts fondamentaux du serverless et les services AWS clés tels que Lambda, API Gateway et S3. - Configurer et gérer les ressources cloud de manière déclarative en utilisant le Serverless Framework. - Empaqueter scikit-learn, Keras et d'autres modèles ML avec leurs dépendances pour les environnements serverless. - Construire et déployer des services ML en utilisant à la fois des packages ZIP traditionnels et des images de conteneurs modernes pour AWS Lambda. - Créer des API HTTP sécurisées et évolutives pour servir des prédictions en temps réel à partir de vos modèles. - Pratiquer l'écriture de fonctions handler Python pour charger des modèles et traiter efficacement les requêtes d'inférence. - Implémenter une journalisation et une surveillance de base pour vos applications serverless en utilisant CloudWatch. Le cours commence par les principes fondamentaux du serverless et une introduction aux services AWS clés que vous utiliserez. Ensuite, vous progresserez à travers des exercices pratiques écrits, déployant des modèles de machine learning de plus en plus complexes. Ce cours est conçu pour les débutants en déploiement cloud. Bien qu'une connaissance de base de Python et des concepts de machine learning soit utile, aucune expérience préalable avec AWS ou le Serverless Framework n'est requise. Commencez dès aujourd'hui à apprendre comment faire passer vos modèles de votre machine locale à la production.