21H | Distanciel | 1100€ HT

---

Eligibilité CPF : À venir

Prochaines dates : Nous contacter

Validation visée à la fin de formation : Certification Microsoft DP-100 Conception et implémentation d’une solution de science des données sur Azure

Objectifs de la formation  : 

• Opérer des solutions d’apprentissage automatique à l’échelle du Cloud à l’aide d’Azure Machine Learning. 
• Gérer l’ingestion et la préparation des données, la formation et le déploiement des modèles, et les solutions de suivi de l’apprentissage automatique dans Microsoft Azure.

Public : Scientifiques des données possédant des connaissances des cadres de Python et de l’apprentissage automatique comme Scikit-Learn, PyTorch, et Tensorflow, qui souhaitent développer et concevoir des solutions d’apprentissage automatique dans le Cloud.

Prérecquis : Disposer d’un accès à Internet

Admission en formation : Test de positionnement

Accessibilité aux personnes en situation de handicap : Nous contacter

Equipe pédagogique : Formateur certifié Microsoft, ingénieur DATA et IA 

Moyens pédagogiques et techniques : Support de cours officiel Microsoft en anglais, Animation de la formation en français, Bac à sable Microsoft.

Évaluation : Questionnaire de satisfaction, questionnaire de positionnement en amont de la formation pour vérifier le niveau  de connaissance, Test de connaissance pendant la formation (QCM, mise en situation,…), Évaluation officielle Microsoft (optionnelle)

Programme : 

Gérer les ressources Azure pour l’apprentissage automatique (25-30 %)

Créer un espace de travail Azure Machine Learning

• Créer un espace de travail Azure Machine Learning

• Configurer les paramètres de l’espace de travail

• Gérer un espace de travail à l’aide d’Azure Machine Learning Studio

Gérer les données dans un espace de travail Azure Machine Learning

• Sélectionner les ressources de stockage Azure

• Enregistrer et gérer les magasins de données

• Créer et gérer un ensemble de données

Gérer le calcul pour les expériences dans Azure Machine Learning

• Déterminer les spécifications de calcul appropriées à une charge de travail de formation

• Créer des cibles de calcul pour les expériences et la formation

• Configurer les ressources de calcul attachés, y compris Azure Databricks

• Surveiller l’utilisation du calcul

Implémenter la sécurité et le contrôle d’accès dans Azure Machine Learning

• Déterminer les exigences d’accès et mapper les exigences aux rôles intégrés

• Créer des rôles personnalisés

• Gérer l’appartenance aux rôles

• Gérer les informations d’identification à l’aide d’Azure Key Vault

Configurer un environnement de développement Azure Machine Learning

• Créer des instances de calcul

• Partager des instances de calcul

• Accéder aux espaces de travail Azure Machine Learning à partir d’autres environnements de développement

Configurer un espace de travail Azure Databricks

• Créer un espace de travail Azure Databricks

• Créer un cluster Azure Databricks

• Créer et exécuter des blocs-notes dans Azure Databricks

• Lier et espace de travail Azure Databricks à un espace de travail Azure Machine Learning

Exécuter des expériences et former des modèles (20 à 25 %)

Créer des modèles à l’aide du concepteur Azure Machine Learning

• Créer un pipeline de formation à l’aide du concepteur Azure Machine Learning

• Ingérer des données dans un pipeline de concepteur

• Utiliser des modules de concepteur pour définir un flux de données de pipelines

• Utiliser des modules de code personnalisés dans le concepteur

Exécuter des scripts de formation de modèle

• Créer et exécuter une expérience à l’aide du SDK Azure Machine Learning

• Configurer les paramètres d’exécution d’un script

• Utiliser les données d’un jeu de données dans une expérience à l’aide du SDK Azure Machine Learning

• Exécuter un script de formation sur le calcul Azure Databricks

• Exécuter du code pour former un modèle dans un bloc-notes Azure Databricks

Générer des métriques à partir d’une exécution de test

• Consigner les métriques d’une exécution de test

• Récupérer et afficher les résultats de l’expérience

• Utiliser les journaux pour résoudre les erreurs d’exécution des tests

• Utiliser MLflow pour suivre les expériences

• Suivre les expériences en cours d’exécution dans Azure Databricks

Utiliser l’apprentissage automatique pour créer des modèles optimaux

• Utiliser l’interface Automated ML dans Azure Machine Learning Studio

• Utiliser le ML automatisé à partir du SDK Azure Machine Learning

• Sélectionner les options de prétraitement

• Sélectionner les algorithmes à rechercher

• Définir une métrique principale

• Obtenir des données pour une exécution de ML automatisé

• Récupérer le meilleur modèle

Ajuster les hyperparamètres avec Azure Machine Learning

• Sélectionner une méthode d’échantillonnage

• Définir l’espace de recherche

• Définir la métrique principale

• Définir les options de résiliation anticipée

• Identifier le modèle avec des valeurs d’hyperparamètres optimales

Déployer et opérationnaliser des solutions d’apprentissage automatique (35 à 40 %)

Sélectionner le calcul pour le déploiement du modèle

• Tenir compte de la sécurité des services déployés

• Évaluer les options de calcul pour le déploiement

Déployer un modèle en tant que service

• Configurer les paramètres de déploiement

• Déployer un modèle enregistré

• Déployer un modèle formé dans Azure Databricks sur un point de terminaison Azure Machine Learning

• Consommer un service déployé

• Résoudre les problèmes de conteneur de déploiement

Gérer les modèles dans Azure Machine Learning

• Enregistrer un modèle formé

• Surveiller l’utilisation du modèle

• Surveiller la dérive des données

Créer un pipeline Azure Machine Learning pour l’inférence par lots

• Configurer un ParallelRunStep

• Configurer le calcul pour un pipeline d’inférence par lots

• Publier un pipeline d’inférence par lots

• Exécuter un pipeline d’inférence par lots et obtenir des résultats

• Obtenir les sorties d’un ParallelRunStep

Publier un pipeline de concepteur Azure Machine Learning en tant que service Web

• Créer une ressource de calcul cible

• Configurer un pipeline d’inférence

• Consommer un point de terminaison déployé

Implémenter des pipelines à l’aide du SDK Azure Machine Learning

• Créer un pipeline

• Transmettre des données entre les étapes d’un pipeline

• Exécuter un pipeline

• Surveiller les exécutions de pipelines

Appliquer les pratiques ML Ops

• Déclencher un pipeline Azure Machine Learning à partir d’Azure DevOps

• Automatiser le réentraînement du modèle en fonction de nouveaux ajouts de données ou de modifications de données

• Refactoriser les blocs-notes en scripts

• Mettre en œuvre le contrôle des sources pour les scripts

Mettre en œuvre un apprentissage automatique responsable (5 à 10 %)

Utiliser des explicateurs de modèles pour interpréter les modèles

• Sélectionner un interprète modèle

• Générer des données sur l’importance des fonctionnalités

Décrire les considérations d’équité pour les modèles

• Évaluer l’équité du modèle en fonction de la disparité des prévisions

• Atténuer l’injustice du modèle

Décrire les considérations de confidentialité pour les données

• Décrire les principes de la confidentialité différentielle

• Spécifier les niveaux acceptables de bruit dans les données et les effets sur la confidentialité

Commentaires de nos stagiaires

---