Accueil / Conception et mise en œuvre d’une solution Data Science sur Azure

Conception et mise en œuvre d’une solution Data Science sur Azure

Durée : 3 jours
Tarif Inter : 2600 €
Tarif sur mesure : Nous consulter
Référence : 4MMP

  • Partagez sur
  • Téléchargez en
  • Inscrivez vous
Programme Public & Pré-requis Organisation

Présentation

Apprenez à utiliser des solutions Machine Learning à l’échelle du Cloud grâce à Azure Machine Learning. Cette formation vous apprendra à tirer parti de vos connaissances actuelles en Python et en Machine Learning pour réaliser l’ingestion et la préparation des données, l’entraînement et le déploiement des modèles, ainsi que la surveillance des solutions de Machine Learning dans Microsoft Azure.

Objectifs

  • Mettre à disposition un espace de travail pour Azure Machine Learning
  • Utiliser les outils et le code pour travailler avec Azure Machine Learning
  • Utiliser Azure ML Designer pour entraîner un modèle de Machine Learning
  • Déployer un pipeline de conception en tant que service
  • Faire des expériences basées sur le code dans un environnement Azure Machine Learning
  • Entraîner et enregistrer les modèles Machine Learning
  • Créer et consommer des banques de données et des ensembles de données
  • Créer et utiliser des environnements et des objectifs de calcul
  • Créer des pipelines pour automatiser les flux de Machine Learning
  • Publier et exploiter des services de pipeline
  • Publier un modèle sous forme de service d’inférence en temps réel et sous forme de service d’inférence par lots
  • Optimiser les hyperparamètres pour entraîner les modèles
  • Utilisez l’apprentissage automatique pour trouver le modèle optimal pour vos données
  • Générer des explications de modèles avec apprentissage automatique
  • Utiliser des explications pour interpréter les modèles Machine Learning
  • Utiliser Application Insights pour surveiller un modèle publié
  • Surveiller la dérive des données

Programme

  1. Introduction à Azure Machine Learning

    • Dans ce module, vous apprendrez à mettre en place un espace de travail Azure Machine Learning et à l’utiliser pour gérer les ressources de Machine Learning telles que les données, le calcul, le code d’entraînement des modèles, les métriques enregistrées et les modèles formés. Vous apprendrez à utiliser l’interface web Azure Machine Learning Studio ainsi que le SDK Azure Machine Learning et les outils de développement tels que Visual Studio Code et Jupyter Notebooks pour travailler avec les ressources de votre espace de travail.
      • Démarrer avec Azure Machine Learning
      • Outils Azure Machine Learning
      • Travaux pratiques :
        • Création d’un espace de travail Azure Machine Learning
        • Utiliser des outils et du code pour travailler avec Azure Machine Learning
  2. Machine Learning sans code avec Designer

    • Ce module présente l’outil Designer, une interface par glisser-déposer permettant de créer des modèles de Machine Learning sans écrire de code. Vous apprendrez à créer un pipeline d’entraînement qui encapsule la préparation des données et la formation des modèles, puis à convertir ce pipeline d’entraînement en un pipeline d’inférence qui peut être utilisé pour prédire des valeurs à partir de nouvelles données, avant de déployer finalement le pipeline d’inférence comme un service que les applications clientes peuvent utiliser.
      • Entrainer des modèles avec Designer
      • Déployer des modèles avec Designer
      • Travaux pratiques
        • Création d’un pipeline de formation avec Azure ML Designer
        • Déploiement d’un service avec Azure ML Designer
  3. Réalisation d’expériences et de modèles d’entraînement

    • Dans ce module, vous vous lancerez dans des expériences qui encapsulent le traitement de données et le code d’entraînement des modèles, et les utiliserez pour entraîner des modèles de Machine Learning
      • Introduction aux expériences
      • Entrainer et enregistrer des Modèles
      • Travaux pratiques
        • Expériences en cours
        • Formation et enregistrement des modèles
  4. Travailler avec les données

    • Les données sont un élément fondamental de toute charge de travail de Machine Learning. Dans ce module, vous apprendrez donc à créer et à gérer des stocks et des ensembles de données dans un espace de travail Azure Machine Learning, et à les utiliser dans des expériences d’entraînement des modèles.
      • Travailler avec les Datastores
      • Travailler avec des ensembles de données
      • Travaux pratiques
        • Travailler avec les banques de données
        • Travailler avec des ensembles de données
  5. Contextes de calcul

    • L’un des principaux avantages du Cloud est la possibilité d’exploiter les ressources informatiques à la demande et de les utiliser pour adapter les processus de Machine Learning à une échelle qui serait inatteignable avec votre propre matériel. Dans ce module, vous apprendrez à gérer des environnements d’expérimentation qui garantissent une cohérence d’exécution constante des expériences, et à créer et utiliser des cibles de calcul pour les exécutions d’expériences.
      • Travailler avec les environnements
      • Travailler avec des objectifs de calcul
      • Travaux pratiques
        • Travailler avec les environnements
        • Travailler avec des objectifs de calcul
  6. Orchestrer les opérations avec les pipelines

    • Maintenant que vous comprenez les bases de l’exécution des charges de travail en tant qu’expériences qui exploitent les actifs de données et les ressources de calcul, il est temps d’apprendre à orchestrer ces charges de travail comme des pipelines d’étapes connectées. Les pipelines sont essentiels à la mise en œuvre d’une solution efficace d’apprentissage automatique dans Azure, vous découvrirez donc comment les définir et les exécuter dans ce module.
      • Introduction aux pipelines
      • Déploiement et exploitation de pipelines
      • Travaux pratiques
        • Créer un pipeline
        • Déployer un pipeline
  7. Déploiement et consommation des modèles

    • Les modèles sont conçus pour aider à la prise de décision par le biais de prévisions, ils ne sont donc utiles que lorsqu’ils sont déployés et disponibles pour une application. Dans ce module, apprenez comment déployer des modèles pour l’inférence en temps réel et pour l’inférence en mode batch.
      • Inférence en temps réel
      • Inférence par lots
      • Travaux pratiques
        • Création d’un service d’inférence en temps réel
        • Création d’un service d’inférence par lots
  8. Entraîner les modèles optimaux

    • À ce stade du cours, vous avez appris le processus de bout en bout pour entraîner, déployer et consommer des modèles de Machine Learning ; mais comment vous assurer que votre modèle produit les meilleurs résultats prédictifs pour vos données ? Dans ce module, vous explorerez comment utiliser le réglage des hyperparamètres et l’apprentissage automatique pour tirer parti du calcul à l’échelle du Cloud et trouver le meilleur modèle pour vos données.
      • Réglage des hyperparamètres
      • Apprentissage automatique
      • Travaux pratiques
        • Réglage des hyperparamètres
        • Utilisation de l’apprentissage automatique
  9. Interprétation des modèles

    • De nombreuses décisions prises aujourd’hui par les organisations et les systèmes automatisés sont basées sur des prédictions faites par des modèles de Machine Learning. Il est de plus en plus important de pouvoir comprendre les facteurs qui influencent les prédictions faites par un modèle, et de pouvoir déterminer toute dérive involontaire dans le comportement du modèle. Ce module décrit comment vous pouvez interpréter les modèles pour expliquer comment l’importance des caractéristiques détermine leurs prédictions.
      • Introduction à l’interprétation de modèle en utilisant des Model Explainers
      • Travaux pratiques
        • Examen des explications d’un modèle avec Machine Learning automatisé
        • Interprétation des modèles avec des Explainers
  10. Suivi des modèles

    • Après le déploiement d’un modèle, il est important de comprendre comment le modèle est utilisé dans la production, et de détecter toute dégradation de son efficacité due à la dérive de données. Ce module décrit les techniques de surveillance des modèles et de leurs données.
      • Modèles de surveillance avec Application Insights
      • Surveillance de la dérive des données
      • Travaux pratiques
        • Suivi d’un modèle à l’aide d’Application Insights
        • Surveillance de la dérive des données
Formations à distance
En inter et en intra entreprise

Contactez-nous :
training@softeam.fr
+33 (0)6 07 78 24 18
Prochaines dates

Demande de renseignement