Concevoir et mettre en oeuvre une solution Data Science sur Azure

Concevoir une stratégie d'ingestion de données pour des projets Machine Learning

• Identifier la source de données et le format
• Choisir comment distribuer des données aux workflows Machine Learning
• Concevoir une solution d'ingestion de données

Concevoir une solution de formation de modèle Machine Learning

• Identifier les tâches Machine Learning
• Choisir un service pour effectuer l'apprentissage d'un modèle Machine Learning
• Décider entre les options de calcul

Concevoir une solution de déploiement de modèle

• Comprendre comment le modèle est consommé
• Choisir un déploiement en temps réel ou par lots

Explorer les ressources et les actifs de l'espace de travail Azure Machine Learning

• Création d'un espace de travail Microsoft Azure Machine Learning
• Identifier les ressources et les actifs Azure Machine Learning
• Former les modèles dans l'espace de travail

Explorer les outils de développement pour l'interaction de l'espace de travail

• Explorer le studio, le SDK Python, l'interface CLI

Rendre les données disponibles dans Azure Machine Learning

• Comprendre les URI
• Créer une banque de données
• Créer une ressource de données

Utiliser des cibles de calcul dans Azure Machine Learning

• Choisir la cible de calcul appropriée
• Créer et utiliser une instance de calcul
• Créer et utiliser un cluster de calcul

Utiliser des environnements dans Azure Machine Learning

• Comprendre les environnements
• Explorer et utiliser des environnements curés (prêt à l'emploi) et des environnements personnalisés

Trouver le meilleur modèle de classification avec le Machine Learning automatisé

• Prétraiter les données et configurer la caractérisation
• Exécuter une expérience de Machine Learning automatisé
• Evaluer et comparer des modèles

Suivre la formation du modèle dans les notebooks Jupyter avec MLflow

• Configurer MLflow pour le suivi des modèles dans les notebooks
• Former et suivre des modèles dans des notebooks

Exécuter un script d'entraînement en tant que travail de commande dans Azure Machine Learning

• Convertir un notebook en script
• Exécuter un script en tant que travail de commande
• Utiliser des paramètres dans un travail de commande

Suivre la formation du modèle avec MLflow dans les travaux

• Suivre les métriques avec MLflow
• Afficher les métriques et évaluer les modèles

Exécuter des pipelines dans Azure Machine Learning

• Créer des composants et un pipeline
• Exécuter un travail de pipeline

Effectuer le réglage des hyperparamètres avec Azure Machine Learning

• Définir un espace de recherche
• Configurer une méthode d'échantillonnage
• Configurer l'arrêt anticipé
• Utiliser un travil de balayage pour le réglage des hyperparamètres

Déployer un modèle sur un endpoint en ligne managé

• Exporer les endpoints en ligne managés
• Déployer un modèle MLflow sur un endpoint en ligne managé
• Déployer un modèle sur un endpoint en ligne managé
• Tester des endpoints en ligne mangés

Déployer un modèle sur un endpoint de lot

• Comprendre et créer des endpoints de lot
• Déployer un modèle MLflow sur un endpoint de lot
• Déployer un modèle personnalisé sur un endpoint de lot
• Appeler les endpoints de lot et résoudre les problèmes

Certification (en option)

• Prévoir l'achat d'un voucher en supplément
• Le passage de l'examen se fera (ultérieurement) dans un centre agréé Pearson Vue
• L'examen (en anglais) s'effectuera en ligne

Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.

Modalités d’évaluation des acquis

• En cours de formation, par des études de cas ou des travaux pratiques
• Et, en fin de formation, par un questionnaire d'auto-évaluation et/ou une certification éditeur (proposée en option)

Les + de la formation

Un lien URL sera fourni aux stagiaires lors de la formation, afin de récupérer le support.

Le support de cours et les Microsoft Labs Online sont en anglais.