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

Cours DP-100 : Conception et mise en œuvre d’une solution de science des données sur Azure

Apprenez à gérer des solutions de machine learning à l'échelle du cloud avec Azure Machine Learning . Ce cours vous enseigne comment tirer parti de vos connaissances en Python et en machine learning pour gérer l'ingestion et la préparation des données, l'entraînement et le déploiement des modèles, ainsi que la supervision des solutions de machine learning sur Microsoft Azure .

Formation en ligne avec examen de certification gratuit. Ne ratez pas cette opportunité ! L’examen, d’une valeur de 126 € HT, est inclus sans frais supplémentaires.

Offre valable jusqu'au 30 juin 2026. Examen unique disponible uniquement en format virtuel (e-learning). Non applicable au format d'autoformation.

Niveau : Intermédiaire - Produit : Azure - Rôle : Data Scientist

Cours destiné à

Ce cours est conçu pour les data scientists ayant déjà des connaissances en Python et en frameworks d'apprentissage automatique tels que Scikit-Learn, PyTorch et Tensorflow, et qui souhaitent créer et exploiter 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 des modèles avec Azure Machine Learning (4 unités)

• Administration et revue des modèles dans Azure Machine Learning (2 unités)

• Mise en œuvre et utilisation de modèles avec Azure Machine Learning (2 unités)

• Développement d'applications d'IA générative dans le portail Azure AI Foundry

Contenu du cours DP-100 : Conception et mise en œuvre d’une solution de science des données dans 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 les ressources de machine learning telles que les données, la puissance de calcul, le code d'entraînement des modèles, les métriques enregistrées et les modèles entraînés. Vous découvrirez comment utiliser l'interface web d'Azure Machine Learning Studio, ainsi que le kit de développement logiciel (SDK) Azure Machine Learning et des outils de développement comme Visual Studio Code et Jupyter Notebook pour manipuler les ressources de votre espace de travail.

Leçons

• Premiers pas avec Azure Machine Learning
• Outils d'apprentissage automatique Azure

Atelier : Création d’un espace de travail Azure Machine Learning
Atelier : Utilisation des outils Azure Machine Learning

Après avoir terminé ce module, vous serez capable de

• Provisionnez un espace de travail Azure Machine Learning
• Utilisez 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 permettant de créer des modèles d'apprentissage automatique sans écrire une seule ligne de code. Vous apprendrez à créer un pipeline d'entraînement qui englobe la préparation des données et l'entraînement du modèle, puis à convertir ce pipeline en un pipeline d'inférence capable de prédire des valeurs à partir de nouvelles données, avant de déployer ce dernier en tant que service accessible aux applications clientes.

Leçons

• Modèles de formation avec concepteur
• Modèles de publication avec concepteur

Atelier : Création d’un pipeline d’entraînement avec Azure ML Designer
Atelier : Déploiement d’un service avec Azure ML Designer

Après avoir terminé ce module, vous serez capable de

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

Module 3 : Exécution des expériences et entraînement des modèles

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

Leçons

• Introduction aux expériences
• Modèles de formation et d'enregistrement

Laboratoire : Expérimentation en cours
Laboratoire : Entraînement et enregistrement des modèles

Après avoir terminé ce module, vous serez capable de

• Exécutez 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 et des ensembles de données dans un espace de travail Azure Machine Learning, et à les utiliser dans des expériences d'entraînement de modèles.

Leçons

• Utilisation des bases de données
• Travailler avec des ensembles de données

Atelier : Utilisation des bases de données
TP : Travailler avec des ensembles de données

Après avoir terminé ce module, vous serez capable de

• Créer et utiliser des magasins de données
• Créer et utiliser des ensembles de données

Module 5 : Contextes de calcul

L'un des principaux avantages du cloud est la possibilité d'exploiter des ressources de calcul à la demande et de les utiliser pour faire évoluer les processus d'apprentissage automatique à un niveau impossible à atteindre sur votre propre infrastructure. Dans ce module, vous apprendrez à gérer des environnements d'expérimentation garantissant une exécution cohérente des expériences, ainsi qu'à créer et utiliser des cibles de calcul pour ces exécutions.

Leçons

• Travailler avec les environnements
• Utilisation des cibles de calcul

Laboratoire : Travailler avec les environnements
Laboratoire : Utilisation des 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 principes de base de l'exécution de charges de travail sous forme d'expérimentations exploitant les ressources de données et de calcul, il est temps d'apprendre à orchestrer ces charges de travail en pipelines d'étapes interconnectées. Les pipelines sont essentiels à la mise en œuvre d'une solution efficace d'opérationnalisation du Machine Learning (ML Ops) sur Azure ; vous découvrirez donc dans ce module comment les définir et les exécuter.

Leçons

• Introduction aux pipelines
• Publication et exécution des pipelines

Atelier : Création d'un pipeline Atelier : 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
• Services de publication et d'exécution de pipelines

Module 7 : Déploiement et utilisation des modèles

Les modèles sont conçus pour faciliter la prise de décision grâce à des prédictions ; ils ne sont donc utiles que lorsqu’ils sont déployés et accessibles à une application. Ce module explique 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 : Création d'un service d'inférence en temps réel
Atelier : 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 des modèles optimaux

À ce stade du cours, vous maîtrisez l'ensemble du processus d'entraînement, de déploiement et d'utilisation des modèles d'apprentissage automatique. Mais comment garantir que votre modèle produise les meilleures prédictions pour vos données ? Dans ce module, vous découvrirez comment optimiser les hyperparamètres et utiliser l'apprentissage automatique automatisé pour tirer parti de la puissance de calcul du cloud et trouver le modèle le plus adapté à vos données.

Leçons

• Réglage des hyperparamètres
• Apprentissage automatique automatisé

Atelier : Optimisation des hyperparamètres
Laboratoire : Utilisation de l'apprentissage automatique automatisé

Après avoir terminé ce module, vous serez capable de

• Optimiser les hyperparamètres pour l'entraînement du modèle
• Utilisez 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 reposent sur les prédictions de modèles d'apprentissage automatique. Il est donc crucial de comprendre les facteurs qui influencent ces prédictions et de déceler d'éventuels biais dans le comportement du modèle. Ce module explique comment interpréter les modèles pour comprendre comment l'importance des caractéristiques détermine leurs prédictions.

Leçons

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

Laboratoire : Examen des explications d'apprentissage automatique automatisé
Laboratoire : Interprétation des modèles

Après avoir terminé ce module, vous serez capable de

• Générer des explications de modèles grâce à l'apprentissage automatique
• Utilisez des outils d'explication pour interpréter les modèles d'apprentissage automatique.

Module 10 : Modèles de surveillance

Une fois un modèle déployé, il est important de comprendre son utilisation en production et de détecter toute baisse d'efficacité due à une dérive des données. Ce module décrit les techniques de surveillance des modèles et de leurs données.

Leçons

• Modèles de surveillance avec Application Insights
• Surveillance de la dérive des données

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

Après avoir terminé ce module, vous serez capable de

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

Prérequis

Les data scientists Azure performants débutent dans ce rôle avec une compréhension de base des concepts du cloud computing et une expérience des techniques et outils généraux de science des données et d'apprentissage automatique.

Spécifiquement:

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

Langue

• Cours : Anglais / Espagnol
• Laboratoires : anglais / espagnol

Certification Microsoft Associate : Azure Data Scientist Associate

Certifié Microsoft : Azure Data Scientist Associate

Gérez l'ingestion et la préparation des données, l'entraînement et le déploiement des 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