A l'issue de cette formation, vous serez capable de :

• Opérer des solutions d'apprentissage automatique à l'échelle du Cloud à l'aide d'Azure Machine Learning
• Utiliser vos connaissances de Python et du Machine Learning pour gérer l'ingestion et la préparation des données, l'entraînement et le déploiement des modèles, et la supervision des solutions de Machine Learning avec Azure Machine Learning et MLflow.

Concevoir une solution de Machine Learning

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

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

Exemples de travaux pratiques (à titre indicatif)

• Concevoir une stratégie d'ingestion de données
• Etude de cas
• Réfléchir aux informations à recueillir pour faire une recommandation

Concevoir une solution de formation de modèle Machine Learning

• Définir le problème
• Obtenir et préparer les données
• Effectuer l'apprentissage du modèle
• Intégrer un modèle
• Analyser le modèle

Concevoir une solution de déploiement de modèle

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

Exemple de travaux pratiques (à titre indicatif)

• Concevoir une solution de déploiement

Concevoir une solution d'opérations de Machine Learning

• Explorer une architecture MLOps
• Conception pour la surveillance
• Conception pour le réentraînement

Explorer et configurer l'espace de travail Azure Machine Learning

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 composants Azure Machine Learning
• Effectuer l'apprentissage des modèles dans l'espace de travail

Exemple de travaux pratiques (à titre indicatif)

• Explorer l'espace de travail
• Créer un espace de travail Machine Learning
• Explorer Azure Machine Learning studio

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

• Découvrir le studio
• Explorer le kit de développement logiciel (SDK) Python
• Découvrir l'interface CLI

Exemple de travaux pratiques (à titre indicatif)

• Explorer les outils de développement
• Créer des ressources avec Azure CLI
• Explorer l'espace de travail Azure Machine Learning avec studio
• Utiliser le kit SDK Python pour effectuer l'apprentissage d'un modèle

Rendre les données disponibles dans Azure Machine Learning

• Comprendre les URI (Uniform Resource Identifier)
• Créer un datastore et un data asset

Exemples de travaux pratiques (à titre indicatif)

• Rendre des données disponibles dans Azure Machine Learning
• Explorer les datastores par défaut
• Créer datastore et un data asset

Utiliser des cibles de calcul dans Azure Machine Learning

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

Exemples de travaux pratiques (à titre indicatif)

• Utiliser des ressources
• Créer et utiliser une instance de calcul et un cluster de calcul

Utiliser des environnements dans Azure Machine Learning

• Comprendre les environnements
• Explorer et utiliser des environnements curés
• Créer et utiliser des environnements personnalisés

Exemples de travaux pratiques (à titre indicatif)

• Utiliser des environnements
• Créer un environnement personnalisé
• Utiliser des environnements lors de l'exécution de travaux dans Azure Machine Learning

Tester Azure Machine Learning

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

Exemples de travaux pratiques (à titre indicatif)

• Trouver le meilleur modèle de classification avec le Machine Learning automatisé
• Préparer les données
• Configurer une expérience de Machine Learning automatisé
• Exécuter un travail de Machine Learning automatisé

Suivre la formation du modèle dans les notebooks Jupyter avec MLflow

• Configurer MLflow pour le suivi des modèles dans les notebooks
• Effectuer l'apprentissage et le suivi des modèles dans les notebooks

Exemples de travaux pratiques (à titre indicatif)

• Suivi de l'apprentissage du modèle
• Effectuer l'apprentissage d'un modèle et le suivre avec la journalisation automatique et personnalisée

Optimiser l'apprentissage des modèles avec Azure Machine Learning

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

Exemples de travaux pratiques (à titre indicatif)

• Exécuter un script d'entraînement en tant que travail de commande
• Convertir un notebook en script
• Tester le script dans le terminal
• Exécuter un script en tant que travail de commande
• Utiliser des paramètres lors de l'exécution d'un script

Suivre la formation du modèle avec MLflow dans les travaux

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

Exemples de travaux pratiques (à titre indicatif)

• Utiliser MLflow pour effectuer le suivi de travaux
• Effectuer l'apprentissage d'un modèle et le suivre avec la journalisation automatique et personnalisée

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 travail de balayage pour le réglage des hyperparamètres

Exemples de travaux pratiques (à titre indicatif)

• Exécuter un travail de balayage
• Exécuter un travail de commande
• Configurer un travail de balayage à l'aide du travail de commande comme base
• Envoyer le travail de balayage

Exécuter des pipelines dans Azure Machine Learning

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

Exemple de travaux pratiques (à titre indicatif)

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

Gérer et examiner les modèles dans Azure Machine Learning

Inscrire un modèle MLflow dans Azure Machine Learning

• Journaliser des modèles avec MLflow
• Comprendre le format de modèle MLflow
• Inscrire un modèle MLflow

Exemples de travaux pratiques (à titre indicatif)

• Journaliser et inscrire des modèles avec MLflow
• Journaliser des modèles avec MLflow
• Inscrire un modèle MLflow dans le registre de modèles Azure Machine Learning

Créer et explorer le tableau de bord d'Intelligence Artificielle (IA) responsable d'un modèle dans Azure Machine Learning

• Comprendre ce qu'est l'IA responsable
• Créer le tableau de bord IA responsable
• Evaluer le tableau de bord IA responsable

Exemples de travaux pratiques (à titre indicatif)

• Explorer le tableau de bord IA responsable
• Créer un pipeline avec le kit de développement logiciel (SDK) Python v2 pour créer un tableau de bord d'IA responsable
• Explorer les résultats du tableau de bord dans Azure Machine Learning studio

Déployer et consommer des modèles avec Azure Machine Learning

Déployer un modèle sur un point de terminaison en ligne managé

• Explorer les points de terminaison en ligne managés
• Déployer un 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

Exemples de travaux pratiques (à titre indicatif)

• Déployer un modèle MLflow sur un point de terminaison en ligne
• Créer un point de terminaison en ligne managé
• Déployer un modèle MLflow
• Tester le point de terminaison

Déployer un modèle sur un point de terminaison par lots

• Comprendre et créer des points de terminaison par lots
• Déployer un modèle MLflow sur un point de terminaison par lots
• Déployer un modèle personnalisé sur un point de terminaison par lots
• Appeler les points de terminaison par lots et résoudre les problèmes

Exemples de travaux pratiques (à titre indicatif)

• Déployer un modèle MLflow sur un point de terminaison par lots
• Créer un point de terminaison par lots
• Déployer un modèle MLflow sur le point de terminaison
• Appeler le point de terminaison

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