Conception et mise en œuvre d'une solution science de données avec Azure (DP-100T01)

Obtenez les connaissances nécessaires sur l'utilisation des services Azure pour développer, former et déployer des solutions d'apprentissage automatiques.
Microsoft Partner

Prochaines sessions

Aucune date ne convient?

Notifiez-moi si une session est ajoutée.

  • Durée: 3 jours
  • Prix régulier: $2,010
  • Prix préférentiel: $1,710

Plan de cours

Référence : @Microsoft DP-100T01-A

Durée : 3 jours

Les participants découvriront comment gérer les solutions d'apprentissage machine à l'aide d'Azure Machine Learning (AML). Avec cette formation, il tireront parti de leurs connaissances existantes sur Python et l'apprentissage machine pour administrer le traitement et la préparation des données, la formation, le déploiement de modèles et la surveillance des solutions d'apprentissage machine avec Microsoft Azure.

Public concerné

Cette formation est conçue pour les scientifiques des données ayant une connaissance existante de Python et des apprentissages machines tels que Scikit-Learn, PyTorch et Tensorflow, et qui souhaitent créer et exploiter des solutions d'apprentissage machine dans le cloud.

Préalables

Pour participer à cette formation, les participants doivent avoir:
  • Obtenu la certification Principes Fondamentaux de Microsoft Azure.
  • Acquis l'expérience de l'écriture de code Python pour travailler avec des données, à l'aide de bibliothèques telles que Numpy, Pandas et Matplotlib.
  • Une bonne compréhension de la science des données; y compris comment préparer des données et former des modèles d'apprentissage automatique à l'aide de bibliothèques d'apprentissage automatique courantes telles que Scikit-Learn, PyTorch ou Tensorflow.

Contenu

Module 1: Introduction à Azure Machine Learning
Avec ce module, les aprticipants apprendront à créer un espace de travail Azure Machine Learning et à l'utiliser pour gérer les actifs d'apprentissage de machine tels que les données, le calcul, le code de formation de modèle, les métriques journalisées et les modèles entraînés. Ils apprendront aussi à utiliser l'interface web du studio Azure Machine Learning ainsi que le SDK Azure Machine Learning et des outils de développement tels que Visual Studio Code et Jupyter Notebooks pour travailler avec les actifs d'un espace de travail.
Leçons
  • Premiers pas avec Azure Machine Learning
  • Outils Azure Machine Learning
Atelier: Création d'un espace de travail Azure Machine Learning
Atelier: Utilisation des outils Azure Machine Learning
Après avoir terminé ce module, les particiapnts seront en mesure de:
  • Créer un espace de travail Azure Machine Learning
  • Utiliser des outils et du code pour travailler avec Azure Machine Learning
Module 2: Apprentissage machine sans code avec Designer
Ce module présente l'outil Designer, une interface glisser-déposer permettant de créer des modèles d'apprentissage machine sans écrire de code. Le participant apprendra à créer une série d'actions qui comprend la préparation des données et la formation du modèle, puis à convertir ces actions en un pipeline d'inférence pouvant être utilisé pour prédire les valeurs à partir de nouvelles données, puis finalement le déployer en tant qu' applications pouvant être utilisées par différents intervenants.
Leçons
  • Modèles de formation avec Designer
  • Publication de modèles avec Designer
  • Atelier: Création d'un pipeline de formation avec Azure ML Designer
Atelier: Déployer un service avec Azure ML Designer

Après avoir terminé ce module, le participant pourra:

  • Utiliser le concepteur pour former un modèle d'apprentissage machine
  • Déployer un pipeline Designer en tant que service
Module 3: Exécution d'expériences et de modèles de formation
Avec ce module, les participants mèneront des expériences qui traiteront des données et manipuleront du code afin de former des modèles d'apprentissage machine.
Leçons
  • Introduction aux expériences
  • Formation et enregistrement des modèles
Laboratoire: Exécution des expériences
Laboratoire: Formation et enregistrement de modèles
Après avoir terminé ce module, les participant pourront:
  • Exécuter des expériences basées sur du code dans un espace de travail Azure Machine Learning
  • Former et enregistrer des modèles d'apprentissage machine
Module 4: Travailler avec des données
Les données sont des éléments fondamentaux et essentiels au bon fonctionnement des charges de travail de l'apprentissage auitomatique.Le participant apprendra à créer et à gérer des banques de données ou des ensembles de données dans un espace de travail Azure Machine Learning, et comment les utiliser pour la formation de modèle.
Leçons
  • Utilisation des banques de données
  • Travailler avec des ensembles de données
Atelier: Utilisation des banques de données
Atelier: Utilisation d'ensembles de données
Après avoir terminé ce module, le participant pourra:
  • Créer et consommer des banques de données
  • Créer et consommer des ensembles de données
Module 5: Calcul des contextes
L'un des principaux avantages du cloud est la possibilité d'exploiter les ressources de calcul à la demande et de les utiliser pour faire évoluer les processus d'apprentissage automatique qui serait autrement irréalisable à partir d'un site ou d'un matériel local. Dans ce module, le participant apprendra à gérer des environnements d'expérimentation qui garantissent une cohérence d'exécution, et découvrera comment créer et utiliser des cibles de calcul pour les exécutions d'expériences.
Leçons
  • Travailler avec des environnements
  • Utilisation des cibles de calcul
Laboratoire: Travailler avec des environnements
Atelier: Utilisation des cibles de calcul
Après avoir terminé ce module, le particpant pourra:
  • Créer et utiliser des environnements
  • Créer et utiliser des cibles de calcul
Module 6: Orchestration des opérations avec des pipelines
Maintenant que le particiapnt aura acquis les connaissances de base sur l'exécution des expériences, ce module vise à démontrer comment orchestrer des charges de travail en tant que pipelines par étapes connectées. Les pipelines sont essentiels pour mettre en œuvre une solution efficace d'opérationnalisation d'apprentissage automatique (ML Ops) dans Azure.Le paprticipant explorera donc comment les définir et les exécuter dans ce module.
Leçons
  • Introduction aux pipelines
  • Publication et exécution de pipelines
Laboratoire: Création d'un pipeline
Atelier: Publication d'un pipeline
Après avoir terminé ce module, le participant pourra:
  • Créer des pipelines pour automatiser les cadences de travail de l'apprentissage machine
  • Publier et exécuter des services de pipeline
Module 7: Déploiement et consommation de modèles
Les modèles sont conçus pour aider à la prise de décision à l'aide de projections. Ils ne sont donc utiles que lorsqu'ils sont déployés et disponibles pour une application à consommer. Ce module fera découvrir comment déployer des modèles pour l'inférence en temps réel et pour l'inférence par lots.
Leçons
  • Inférence en temps réel
  • Inférence par lots

Atelier: Créer un service d'inférence en temps réel

Atelier: Création d'un service d'inférence par lots

Après avoir terminé ce module, le participant pourra:
  • Publier un modèle en tant que service d’inférence en temps réel
  • Publier un modèle en tant que service d’inférence par lots
Module 8: Formation des modèles optimaux
À ce stade, les participants auront appris le processus de bout en bout sur la formation, le déploiement et l'utilisation de modèles d'apprentissage automatique. Mais comment s'assurer que le modèle produit les meilleurs projections et analyses possibles ? Ce module expliquera comment utiliser le réglage d'hyperparamètres et l'apprentissage machine automatisé pour tirer parti du calcul à l'échelle du cloud et pour développer les meilleurs modèles.
Leçons
  • Réglage des hyperparamètres
  • Apprentissage automatique automatisé
Laboratoire: Réglage des hyperparamètres
Laboratoire: Utilisation de l'apprentissage automatique automatisé
Après avoir terminé ce module, le participant pourra:
  • Optimiser les hyperparamètres pour la formation des modèles
  • Utilisez l'apprentissage automatique automatisé pour trouver le modèle optimal pour les données
Module 9: Interprétation des modèles
Aujourd'hui, bon nombre des décisions prises par les organisations et les systèmes automatisés sont basées sur des projections faites par des modèles d'apprentissage automatiques. Il est de plus en plus important de pouvoir comprendre les facteurs qui influencent les projections provenant d'un modèle et de pouvoir déterminer tout biais involontaire dans le comportement du modèle. Ce module décrit comment interpréter les modèles pour expliquer l'importance les facteurs qui définient leurs projections ou analyses.
Leçons
  • Introduction à l’interprétation des modèles
  • Interpréter à l'aide de modèles explicatifs
Atelier: Examen des explications de l'apprentissage automatique automatisé
Laboratoire: Interprétation des modèles
Après avoir terminé ce module, le participant pourra:
  • Générer des explications de modèle avec l'apprentissage automatique automatisé
  • Utilisez des explicatifs pour interpréter les modèles d'apprentissage automatique
Module 10: Modèles de surveillance
Une fois qu'un modèle a été déployé, il est important de comprendre comment le modèle est utilisé en production et de détecter toute dégradation de son efficacité due à la dérive des données. Ce module décrit les techniques de surveillance des modèles et de leurs données.
Leçons
  • Surveillance des modèles avec Application Insights
  • Surveillance de la dérive des données
Atelier: Surveillance d'un modèle avec Application Insights
Laboratoire: Surveillance de la dérive des données
Après avoir terminé ce module, le participant pourra:
  • Utiliser Application Insights pour surveiller un modèle publié
  • Surveiller la dérive des données

Savoir s’entourer des meilleurs

Pierre-Edouard Brondel
Pierre-Edouard Brondel
Formateur et conseiller en bureautique
Expert en pédagogie dans le domaine des technologies et de la bureautique cumulant plus de 25 ans d’expérience, Pierre-Édouard est d’abord et avant tout un passionné de capital humain.
Marc Maisonneuve
Marc Maisonneuve
Formateur et conseiller en efficacité professionnelle
M. Maisonneuve se distingue par sa capacité d’analyse, son calme légendaire et sa volonté indéniable de pousser l’humain à développer ses compétences. Il propose tout naturellement des solutions technologiques à des besoins concrets en milieu de travail.
Frédéric Paradis
Frédéric Paradis
Formateur certifié et architecte en solutions infonuagiques
Formateur certifié Microsoft, Frédéric se décrit comme un magicien de l’infonuagique, cet espace mythique entre technologie et réalité.
Luc Labelle
Formateur certifié et conseiller en TI
Reconnu par ses pairs pour être un coach, formateur et conseiller inspirant, Luc est capable de transmettre ses connaissances au profit des équipes avec qui il travaille. 
Soyez au fait des tendances, innovations et bonnes pratiques, chaque mois.
Confidentialité
Centre de formation autorisé Emploi-Québec, Agrément : 0051460
TPS : 141582528 – TVQ : 1019557738
© 2020 AFI
AFI Expertise

L’expérience AFI par Edgenda

Chez AFI, nous concentrons nos efforts pour vous offrir des formations pertinentes et des expériences d’apprentissage percutantes qui s’inscrivent dans vos démarches de transformation. Vous désirez être accompagné dans ces démarches? Consultez les services d’Edgenda: Edgenda.com