Développer et consommer des modèles d'Intelligence Artificielle (IA) avec Azure ML et Power BI

Jour 1

Fondamentaux de l'IA moderne

• Qu'est-ce que l'IA ?
• Similarités et différences entre IA et le développement d'applications traditionnelles
• Machine Learning vs Deep Learning
• Les différents types d'apprentissage de modèles
• Stockage des données : Data Warehouse, Data Lake, et Lakehouse
• Pipelines de données et automatisation
• Solutions d'IA sur le Cloud

Workflows dans Power BI

• Création des Dataflows
• Streaming des Dataflows et agrégation automatique
• Nettoyage et préparation des données
• Ingestion en temps réel vs batch dans Power BI
• Power Query dans Power BI
• Direct Query dans Power BI

Exemples de travaux pratiques (à titre indicatif)

• Préparation de données avec Power BI
• Création d'un modèle simple sur Azure ML
• Consommation du modèle dans Power BI

Jour 2

Modélisation des données

• Qu'est-ce qu'un modèle de données ?
• Importance des modèles de données dans Power BI
• Modèles de données et IA
• Meilleures pratiques de modélisation des données
• Modèles de données vs modèles d'IA
• Flat File Structure vs Dimensional Model Structure

Valeur ajoutée de l'IA dans Power BI

• Amélioration de la Data Visualisation (arbre de décomposition, visuels Q&A, visuels des influenceurs clés)
• L'IA pour réduire la charge cognitive
• AutoML
• Prédiction binaire, classification, régression

Exemples de travaux pratiques (à titre indicatif)

• Modélisation de données complexes
• Sélection et comparaison de modèle d'IA
• Comparaison des performances
• Visualisation dans Power BI

Jour 3

Analytics texte dans Power BI

• Les bases des analytics texte
• Algorithmes d'analytics texte et leur principe de fonctionnement
• Limites des analytics texte
• Détection de la langue
• Extraction de termes
• Analyse de sentiments

Exemples de travaux pratiques (à titre indicatif)

• Analyse de sentiment et visualisation avec Azure ML et Power BI à partir de données Open Source (AirBnB, Kaggle...)

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