Concevoir une stratégie d’ingestion de données pour des projets de Machine Learning
- Identifier la source et le format des données.
- Déterminer comment distribuer les données aux workflows de Machine Learning.
- Concevoir une solution efficace d’ingestion de données.
Concevoir une solution d’entraînement de modèle de Machine Learning
- Identifier les tâches de Machine Learning à réaliser.
- Sélectionner un service adapté pour l’entraînement d’un modèle.
- Choisir entre différentes options de calcul.
Concevoir une solution de déploiement de modèle
- Comprendre comment le modèle sera consommé.
- Déterminer si un déploiement en temps réel ou par lot est approprié.
Explorer les ressources et actifs de l’espace de travail Azure Machine Learning
- Créer un espace de travail Azure Machine Learning.
- Identifier les ressources et actifs disponibles dans Azure Machine Learning.
- Entraîner des modèles dans l’espace de travail.
Explorer les outils de développement pour interagir avec l’espace de travail
- Découvrir Azure Machine Learning Studio.
- Explorer le SDK Python.
- Utiliser l’interface CLI.
Rendre les données disponibles dans Azure Machine Learning
- Comprendre les URI et leur usage.
- Créer une banque de données.
- Configurer une ressource de données.
Utiliser des cibles de calcul dans Azure Machine Learning
- Créer et utiliser une instance de calcul.
- Configurer et exploiter un cluster de calcul.
Gérer les environnements dans Azure Machine Learning
- Comprendre le concept d’environnements.
- Explorer et utiliser des environnements prédéfinis.
- Créer et utiliser des environnements personnalisés.
Identifier le meilleur modèle de classification avec le Machine Learning automatisé
- Prétraiter les données et configurer les caractéristiques.
- Lancer une expérience de Machine Learning automatisé.
- Évaluer et comparer les modèles générés.
Suivre l’entraînement des modèles dans les notebooks Jupyter avec MLflow
- Configurer MLflow pour le suivi des modèles dans les notebooks.
- Entraîner et suivre des modèles directement depuis des notebooks.
Exécuter un script d’entraînement comme un travail de commande dans Azure Machine Learning
- Convertir un notebook en script exécutable.
- Lancer un script comme travail de commande.
- Passer des paramètres dans un travail de commande.
Suivre l’entraînement des modèles avec MLflow dans les travaux Azure
- Suivre les métriques avec MLflow.
- Visualiser les métriques et évaluer les modèles.
Exécuter des pipelines dans Azure Machine Learning
- Créer et configurer des composants.
- Concevoir un pipeline complet.
- Lancer un pipeline comme un travail automatisé.
Optimiser les hyperparamètres avec Azure Machine Learning
- Définir un espace de recherche pour les hyperparamètres.
- Configurer une méthode d’échantillonnage.
- Mettre en place un mécanisme d’arrêt anticipé.
- Utiliser un travail de balayage pour optimiser les hyperparamètres.
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.
- Tester et valider les points de terminaison en ligne.
Déployer un modèle sur un point de terminaison de lot
- Comprendre et configurer des points de terminaison de lot.
- Déployer un 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 éventuels problèmes
