DP-100 : Concevoir et implémenter une solution de science des données sur Azure

Cours DP-100 : Concevoir et implémenter une solution de science des données sur Azure

Apprenez à opérer des solutions d'apprentissage automatique à l'échelle du cloud avec Azure Machine Learning. Ce cours vous enseigne comment tirer parti de vos connaissances existantes en Python et en apprentissage automatique pour gérer l'ingestion et la préparation des données, la formation et le déploiement de modèles, et la surveillance des solutions d'apprentissage automatique dans Microsoft Azure.

Niveau : Intermédiaire - Produit : Azure - Rôle : Scientifique des données

Cours destiné à

Ce cours est conçu pour les scientifiques des données ayant une connaissance existante de Python et des frameworks d'apprentissage automatique tels que Scikit-Learn, PyTorch et Tensorflow, qui souhaitent construire et opérer des solutions d'apprentissage automatique dans le cloud.

Éléments de la formation DP-100

• Exploration et configuration de l'espace de travail Azure Machine Learning (5 unités)
• Expérimentation avec Azure Machine Learning (2 unités)
• Optimisation de l'entraînement de modèles avec Azure Machine Learning (4 unités)
• Gestion et révision de modèles dans Azure Machine Learning (2 unités)
• Déploiement et consommation de modèles avec Azure Machine Learning (2 unités)
• Développement d'applications d'IA génératives sur le portail Azure AI Foundry

Contenu du cours DP-100 Conception et implémentation d'une solution de science des données sur Azure

Module 1 : Introduction à Azure Machine Learning

Dans ce module, vous apprendrez à provisionner un espace de travail Azure Machine Learning et à l'utiliser pour gérer des actifs d'apprentissage automatique tels que des données, du calcul, du code d'entraînement de modèle, des métriques enregistrées et des modèles entraînés. Vous apprendrez à utiliser l'interface web d'Azure Machine Learning studio ainsi que le SDK Azure Machine Learning et des outils de développement comme Visual Studio Code et Jupyter Notebooks pour travailler avec les actifs de votre espace de travail.

Leçons

• Démarrer avec Azure Machine Learning
• Outils Azure Machine Learning

Lab : Création d'un espace de travail Azure Machine Learning
Lab : Travailler avec les outils Azure Machine Learning

Après avoir terminé ce module, vous serez capable de :

• Provisionner un espace de travail Azure Machine Learning
• Utiliser des outils et du code pour travailler avec Azure Machine Learning

Module 2 : Apprentissage automatique sans code avec Designer

Ce module présente l'outil Designer, une interface glisser-déposer pour créer des modèles d'apprentissage automatique sans écrire de code. Vous apprendrez à créer un pipeline d'entraînement qui encapsule la préparation des données et l'entraînement du modèle, 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 finalement déployer le pipeline d'inférence en tant que service pour que les applications clientes puissent le consommer.

Leçons

• Entraînement de modèles avec Designer
• Publication de modèles avec Designer

Lab : Création d'un pipeline d'entraînement avec Azure ML Designer
Lab : Déploiement d'un service avec Azure ML Designer

Après avoir terminé ce module, vous serez capable de :

• Utiliser Designer pour entraîner un modèle d'apprentissage automatique
• Déployer un pipeline Designer en tant que service

Module 3 : Exécution d'expériences et entraînement de modèles

Dans ce module, vous commencerez par des expériences qui encapsulent le traitement des données et le code d'entraînement de modèle, et les utiliserez pour entraîner des modèles d'apprentissage automatique.

Leçons

• Introduction aux expériences
• Entraînement et enregistrement de modèles

Lab : Exécuter des expériences
Lab : Entraîner et enregistrer des modèles

Après avoir terminé ce module, vous serez capable de :

• Exécuter des expériences basées sur du code dans un espace de travail Azure Machine Learning
• Entraîner et enregistrer des modèles d'apprentissage automatique

Module 4 : Travailler avec les données

Les données sont un élément fondamental de toute charge de travail d'apprentissage automatique. Dans ce module, vous apprendrez donc à créer et à gérer des magasins de données (datastores) et des jeux de données (datasets) dans un espace de travail Azure Machine Learning, et à les utiliser dans des expériences d'entraînement de modèles.

Leçons

• Travailler avec les datastores
• Travailler avec les datasets

Lab : Travailler avec les datastores
Lab : Travailler avec les datasets

Après avoir terminé ce module, vous serez capable de :

• Créer et consommer des datastores
• Créer et consommer des datasets

Module 5 : Contextes de calcul

L'un des principaux avantages du cloud est la capacité de tirer parti des ressources de calcul à la demande et de les utiliser pour faire évoluer les processus d'apprentissage automatique dans une mesure qui serait irréalisable sur votre propre matériel. Dans ce module, vous apprendrez à gérer des environnements d'expérimentation qui garantissent une cohérence d'exécution pour les expériences, et à créer et utiliser des cibles de calcul pour les exécutions d'expériences.

Leçons

• Travailler avec les environnements
• Travailler avec les cibles de calcul

Lab : Travailler avec les environnements
Lab : Travailler avec les cibles de calcul

Après avoir terminé ce module, vous serez capable de :

• Créer et utiliser des environnements
• Créer et utiliser des cibles de calcul

Module 6 : Orchestration des opérations avec des pipelines

Maintenant que vous comprenez les bases de l'exécution de charges de travail sous forme d'expériences qui exploitent des actifs de données et des ressources de calcul, il est temps d'apprendre à orchestrer ces charges de travail sous forme de pipelines d'étapes connectées. Les pipelines sont essentiels pour implémenter une solution d'opérations d'apprentissage automatique (ML Ops) efficace dans Azure, vous explorerez donc comment les définir et les exécuter dans ce module.

Leçons

• Introduction aux pipelines
• Publication et exécution de pipelines

Lab : Création d'un pipeline
Lab : Publication d'un pipeline

Après avoir terminé ce module, vous serez capable de :

• Créer des pipelines pour automatiser les flux de travail d'apprentissage automatique
• 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 grâce aux prédictions, ils ne sont donc utiles que lorsqu'ils sont déployés et disponibles pour une consommation par une application. Dans ce module, vous apprendrez à déployer des modèles pour l'inférence en temps réel et pour l'inférence par lots.

Leçons

• Inférence en temps réel
• Inférence par lots

Lab : Création d'un service d'inférence en temps réel
Lab : Création d'un service d'inférence par lots

Après avoir terminé ce module, vous serez capable de :

• 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 : Entraînement de modèles optimaux

À ce stade du cours, vous avez appris le processus de bout en bout pour l'entraînement, le déploiement et la consommation de modèles d'apprentissage automatique ; mais comment vous assurez-vous que votre modèle produit les meilleurs résultats prédictifs pour vos données ? Dans ce module, vous explorerez comment vous pouvez utiliser le réglage des hyperparamètres et l'apprentissage automatique automatisé pour tirer parti du calcul à l'échelle du cloud et trouver le meilleur modèle pour vos données.

Leçons

• Réglage des hyperparamètres
• Apprentissage automatique automatisé

Lab : Réglage des hyperparamètres
Lab : Utilisation de l'apprentissage automatique automatisé

Après avoir terminé ce module, vous serez capable de :

• Optimiser les hyperparamètres pour l'entraînement de modèles
• Utiliser l'apprentissage automatique automatisé pour trouver le modèle optimal pour vos données

Module 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 d'apprentissage automatique. Il est de plus en plus important de pouvoir comprendre les facteurs qui influencent les prédictions faites par un modèle, et de pouvoir déterminer les biais involontaires dans le comportement du modèle. Ce module décrit comment vous pouvez interpréter les modèles pour expliquer comment l'importance des caractéristiques détermine leurs prédictions.

Leçons

• Introduction à l'interprétation des modèles
• Utilisation des explicateurs de modèles

Lab : Révision des explications d'apprentissage automatique automatisé
Lab : Interprétation des modèles

Après avoir terminé ce module, vous serez capable de :

• Générer des explications de modèle avec l'apprentissage automatique automatisé
• Utiliser des explicateurs pour interpréter les modèles d'apprentissage automatique

Module 10 : Surveillance des modèles

Une fois qu'un modèle a été déployé, il est important de comprendre comment il 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

Lab : Surveillance d'un modèle avec Application Insights
Lab : Surveillance de la dérive des données

Après avoir terminé ce module, vous serez capable de :

• Utiliser Application Insights pour surveiller un modèle publié
• Surveiller la dérive des données

Prérequis

Les scientifiques des données Azure réussis débutent ce rôle avec une connaissance de base des concepts d'informatique en nuage et une expérience des techniques et outils généraux de science des données et d'apprentissage automatique.

• Création de ressources cloud dans Microsoft Azure
• Utilisation de Python pour explorer et visualiser les données
• Entraînement et validation de modèles d'apprentissage automatique à l'aide de frameworks courants, tels que Scikit-Learn, PyTorch et TensorFlow
• Travail avec des conteneurs.

Langue

• Cours : Anglais / Espagnol
• Labs : Anglais / Espagnol

Certification Microsoft associée : Azure Data Scientist Associate

Microsoft Certified : Azure Data Scientist Associate

Gérez l'ingestion et la préparation des données, la formation et le déploiement de modèles, ainsi que la surveillance des solutions d'apprentissage automatique avec Python, Azure Machine Learning et MLflow.

Niveau : Intermédiaire
Rôle : Data Scientist
Produit : Azure
Sujet : Données et IA