Microsoft Azure – Concevoir et mettre en oeuvre une solution de Data Science

Concevoir une stratégie d’ingestion de données pour des projets Machine Learning (3 heures)

• Introduction
• Identifier votre source de données et votre format
• Choisir comment distribuer des données aux workflows Machine Learning
• Concevoir une solution d’ingestion de données
• Travaux pratiques : Concevoir une stratégie d’ingestion de données

Concevoir une solution de formation de modèle Machine Learning (2 heures)

• Introduction
• Identifier les tâches Machine Learning
• Choisir un service pour effectuer l'apprentissage d’un modèle Machine Learning
• Décider entre les options de calcul
• Travaux pratiques : concevoir une stratégie de formation de modèle

Concevoir une solution de déploiement de modèle (2 heures)

• Introduction
• Comprendre comment le modèle est consommé
• Choisir un déploiement en temps réel ou par lots
• Travaux pratiques : Concevoir une solution de déploiement

Explorer les ressources et les actifs de l’espace de travail Azure Machine Learning (1 heure)

• Introduction
• Création d’un espace de travail Microsoft Azure Machine Learning
• Identifier les ressources Azure Machine Learning
• Identifier les actifs Azure Machine Learning
• Former des modèles dans l’espace de travail
• Travaux pratiques : Explorer l’espace de travail

Explorer les outils de développement pour l’interaction de l’espace de travail (1 heure)

• Introduction
• Explorer le studio
• Explorer le SDK Python
• Explorer l’interface CLI
• Travaux pratiques : Explorer les outils de développement

Rendre les données disponibles dans Azure Machine Learning (1 heure)

• Introduction
• Comprendre les URI
• Créer une banque de données
• Créer une ressource de données
• Travaux pratiques : Rendre les données disponibles

Utiliser des cibles de calcul dans Azure Machine Learning (2 heures)

• Introduction
• Créer et utiliser une instance de calcul
• Créer et utiliser une instance de calcul
• Créer et utiliser un cluster de calcul
• Travaux pratiques : Utiliser des ressources de calcul

Utiliser des environnements dans Azure Machine Learning (2 heures)

• Introduction
• Comprendre les environnements
• Explorer et utiliser des environnements curés
• Créer et utiliser des environnements personnalisés
• Travaux pratiques : utiliser des environnements

Trouver le meilleur modèle de classification avec le Machine Learning automatisé (1 heure)

• Introduction
• Prétraiter les données et configurer la caractérisation
• Exécuter une expérience de Machine Learning automatisé
• Évaluer et comparer des modèles
• Travaux pratiques : Trouver le meilleur modèle de classification

Suivre la formation du modèle dans les notebooks Jupyter avec MLflow (1 heure)

• Introduction
• Configurer MLflow pour le suivi des modèles dans les notebooks
• Former et suivre des modèles dans des notebooks
• Travaux pratiques : Suivre la formation du modèle

Exécuter un script d’entraînement en tant que travail de commande dans Azure Machine Learning (1 heure)

• Introduction 
• Convertir un notebook en script
• Exécuter un script en tant que travail de commande
• Utiliser des paramètres dans un travail de commande
• Travaux pratiques : Exécuter un script d’entraînement en tant que travail de commande

Suivre la formation du modèle avec MLflow dans les travaux (2 heures)

• Introduction
• Suivre les métriques avec MLflow
• Afficher les métriques et évaluer les modèles
• Travaux pratiques : Utiliser MLflow pour effectuer le suivi de travaux de formation

Exécuter des pipelines dans Azure Machine Learning (2 heures)

• Introduction
• Créer des composants
• Créer un pipeline
• Exécuter un travail de pipeline
• Travaux pratiques : exécuter un travail de pipeline

Effectuer le réglage des hyperparamètres avec Azure Machine Learning (2 heures)

• Introduction
• Définir un espace de recherche
• Configurer une méthode d’échantillonnage
• Configuration de l’arrêt anticipé
• Utiliser un travail de balayage pour le réglage des hyperparamètres
• Travaux pratiques : exécuter un travail de balayage

Déployer un modèle sur un point de terminaison en ligne managé (3 heures)

• Introduction
• Explorer les points de terminaison en ligne managés
• Déployer votre modèle MLflow sur un point de terminaison en ligne managé
• Déployer un modèle sur un point de terminaison en ligne managé
• Tester des points de terminaison en ligne managés
• Travaux pratiques : Déployer un modèle MLflow sur un point de terminaison en ligne

Déployer un modèle sur un point de terminaison de lot (2 heures)

• Introduction
• Comprendre et créer des points de terminaison de lot
• Déployer votre modèle MLflow sur un point de terminaison de lot
• Déployer un modèle personnalisé sur un point de terminaison de lot
• Appeler les points de terminaison de lot et résoudre les problèmes
• Travaux pratiques : déployer un modèle MLflow sur un point de terminaison de lot