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

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

Apprenez à exploiter des solutions d'apprentissage automatique à l'échelle du cloud avec Azure Machine Learning. Cette formation vous enseigne à tirer parti de vos connaissances actuelles de Python et de l'apprentissage automatique pour gérer l'ingestion et la préparation des données, l'entraînement et le déploiement des modèles, ainsi que la surveillance des solutions d'apprentissage automatique sur Microsoft Azure.

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

Formation destinée à

Cette formation est conçue pour les data scientists ayant des connaissances actuelles de Python et de frameworks d'apprentissage automatique tels que Scikit-Learn, PyTorch et TensorFlow, et souhaitant 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)
• Gestion et révision des modèles dans Azure Machine Learning (2 unités)
• Déploiement et consommation des modèles avec Azure Machine Learning (2 unités)
• Développement d'applications d'IA générative dans le portail Azure AI Foundry

Contenu de la formation DP-100 Conception et mise en œuvre 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 les ressources d'apprentissage automatique telles que les données, les ressources de calcul, le code d'entraînement des modèles, les métriques enregistrées et les modèles entraînés. Vous apprendrez à utiliser l'interface Web Azure Machine Learning Studio ainsi que le SDK Azure Machine Learning et des outils de développement tels que Visual Studio Code et Jupyter Notebooks pour travailler avec les ressources de votre espace de travail.

Leçons

• Bien démarrer avec Azure Machine Learning
• Outils Azure Machine Learning

Lab : Création d'un espace de travail Azure Machine Learning
Lab : Utilisation des outils Azure Machine Learning

Après avoir terminé ce module, vous serez en mesure 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 permettant de créer des modèles d'apprentissage automatique sans écrire de code. Vous apprendrez à créer un pipeline d'entraînement qui regroupe la préparation des données et l'entraînement du modèle, puis à convertir ce pipeline d'entraînement en pipeline d'inférence pouvant être utilisé pour prédire des valeurs à partir de nouvelles données, avant de déployer enfin le pipeline d'inférence en tant que service pour les applications clientes.

Leçons

• Entraînement des modèles avec Designer
• Publication des modèles avec Designer

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

Après avoir terminé ce module, vous serez en mesure 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 des modèles

Dans ce module, vous commencerez à utiliser des expériences qui regroupent 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
• Entraînement et enregistrement des modèles

Lab : Exécution d'expériences
Lab : Entraînement et enregistrement des modèles

Après avoir terminé ce module, vous serez en mesure 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 : Travail avec les données

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

Leçons

• Travail avec les référentiels de données
• Travail avec les jeux de données

Lab : Travail avec les référentiels de données
Lab : Travail avec les jeux de données

Après avoir terminé ce module, vous serez en mesure de :

• Créer et utiliser des référentiels de données
• Créer et utiliser des jeux 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 mettre à l'échelle les processus d'apprentissage automatique au-delà de ce qui serait réalisable avec votre propre matériel. Dans ce module, vous apprendrez à gérer les environnements d'expériences afin de garantir une cohérence d'exécution constante pour les expériences, et à créer et utiliser des cibles de calcul pour les exécutions d'expériences.

Leçons

• Travail avec les environnements
• Travail avec les cibles de calcul

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

Après avoir terminé ce module, vous serez en mesure 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 exploitant des ressources de données et 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 mettre en œuvre une solution efficace d'opérationnalisation de l'apprentissage automatique (MLOps) sur Azure. Vous découvrirez donc dans ce module comment les définir et les exécuter.

Leçons

• Introduction aux pipelines
• Publication et exécution des pipelines

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

Après avoir terminé ce module, vous serez en mesure 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 des modèles

Les modèles sont conçus pour faciliter la prise de décision grâce aux prédictions. Ils ne sont donc utiles que lorsqu'ils sont déployés et disponibles pour être consommés par une application. Dans ce module, apprenez 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 en mesure 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 de la formation, vous avez appris le processus de bout en bout pour entraîner, déployer et consommer des modèles d'apprentissage automatique. Mais comment vous assurer que votre modèle produit les meilleurs résultats prédictifs pour vos données ? Dans ce module, vous découvrirez comment utiliser le réglage des hyperparamètres et l'apprentissage automatique automatisé pour tirer parti des ressources de 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 en mesure de :

• Optimiser les hyperparamètres pour l'entraînement des 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 reposent sur des prédictions réalisées par des modèles d'apprentissage automatique. Il devient de plus en plus important de pouvoir comprendre les facteurs qui influencent les prédictions d'un modèle et de pouvoir détecter d'éventuels biais involontaires dans le comportement du modèle. Ce module décrit comment interpréter les modèles pour expliquer comment l'importance des caractéristiques détermine leurs prédictions.

Leçons

• Introduction à l'interprétation des modèles
• Utilisation des outils d'explication des modèles

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

Après avoir terminé ce module, vous serez en mesure de :

• Générer des explications de modèles avec l'apprentissage automatique automatisé
• Utiliser des outils d'explication 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 des techniques pour surveiller les modèles et 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 en mesure de :

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

Prérequis

Les data scientists Azure qui réussissent à obtenir ce rôle possèdent des connaissances de base sur les concepts de l'informatique en nuage et une expérience des techniques et outils généraux de la science des données et de l'apprentissage automatique.

• Création de ressources dans le cloud sur 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

• Formation : Anglais / Espagnol
• Labs : Anglais / Espagnol

Certification Microsoft Associate : Azure Data Scientist Associate

Microsoft Certified: 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