Rejoignez notre formation certifiée Microsoft Azure pour concevoir et mettre en œuvre une solution de Data Science.
Vous apprendrez à utiliser les services Azure pour développer, préparer et déployer des solutions de Machine Learning.
La formation couvre les services Azure supportant la Data Science, le service Data Science et le service de Machine Learning, avec une attention particulière à l’automatisation du pipeline.
Cette formation se concentre sur l’implémentation de solutions de Data Science avec Microsoft Azure et suppose une connaissance préalable des concepts de la Data Science.
Inclus dans votre formation en inter-entreprise
3 mois d'accès à
la Bibliothèque Numérique ENI
i
*Offre valable en ce moment pour toute inscription aux sessions inter-entreprises.
OFFRE SPÉCIALE
Obtenez la certification officielle Microsoft pour valider vos compétences !
En suivant une formation inter-entreprises chez ENI Service, le coupon d’examen à 99 € ou 165 € (selon le niveau de certification) vous est offert.
Programme détaillé
›
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
