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 exploiter des solutions de machine learning à l'échelle du cloud avec Azure Machine Learning . Ce cours vous apprend à exploiter 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 surveillance des solutions de machine learning sur Microsoft Azure .

Cours virtuel avec examen de certification gratuit. Ne manquez pas cette opportunité ! L'examen est d'une valeur de 126 € HT et est inclus sans frais supplémentaires.

Promotion valable jusqu'au 31 décembre 2025. Cet examen est disponible uniquement en mode virtuel (en ligne). Non applicable au mode auto-apprentissage.

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

Cours destiné à

Ce cours est conçu pour les scientifiques des données ayant des connaissances existantes sur Python et les frameworks d'apprentissage automatique tels que Scikit-Learn, PyTorch et Tensorflow, qui souhaitent créer et exploiter des solutions d'apprentissage automatique dans le cloud.

Éléments de la formation DP-100

• Explorer et configurer votre espace de travail Azure Machine Learning (5 unités)

• Expérimentation avec Azure Machine Learning (2 unités)

• Optimisation de la formation des modèles avec Azure Machine Learning (4 unités)

• Gestion et révision des modèles dans Azure Machine Learning (2 unités)

• Déploiement et utilisation de modèles avec Azure Machine Learning (2 unités)

• Développer des applications d'IA génératives 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, le calcul, le code d'entraînement des modèles, les métriques enregistrées et les 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 exploiter les ressources de votre espace de travail.

Leçons

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

Laboratoire : Création d'un espace de travail Azure Machine Learning
Laboratoire : Travailler avec les outils d'apprentissage automatique Azure

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 permettant de créer des modèles de machine learning sans écrire de code. Vous apprendrez à créer un pipeline d'apprentissage intégrant la préparation des données et l'apprentissage du modèle, puis à convertir ce pipeline d'apprentissage en pipeline d'inférence permettant de prédire des valeurs à partir de nouvelles données, avant de déployer ce pipeline d'inférence en tant que service utilisable par les applications clientes.

Leçons

• Modèles de formation avec Designer
• Modèles de publication avec Designer

Laboratoire : Création d'un pipeline de formation avec Azure ML Designer
Laboratoire : Déploiement d'un service avec Azure ML Designer

Après avoir terminé ce module, vous serez capable de

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

Module 3 : Exécution d'expériences et modèles de formation

Dans ce module, vous débuterez avec des expériences qui encapsulent le traitement des données et le code de formation du modèle, et les utiliserez pour former des modèles d'apprentissage automatique.

Leçons

• Introduction aux expériences
• Formation et enregistrement des modèles

Laboratoire : Exécution d'expériences
Laboratoire : Formation et enregistrement de 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
• Former 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 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 de formation de modèles.

Leçons

• Travailler avec des magasins de données
• Travailler avec des ensembles de données

Laboratoire : Travailler avec des magasins de données
Laboratoire : Travailler avec des ensembles de données

Après avoir terminé ce module, vous serez capable de

• Créer et consommer des magasins de données
• Créer et consommer 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 de machine learning à un niveau impossible sur votre propre matériel. 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 les exécutions.

Leçons

• Travailler avec des environnements
• Travailler avec des cibles de calcul

Laboratoire : Travailler avec les environnements
Laboratoire : Travailler avec 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 : Orchestrer les opérations avec des pipelines

Maintenant que vous maîtrisez les bases de l'exécution de charges de travail expérimentales exploitant les ressources de données et de calcul, il est temps d'apprendre à les orchestrer sous forme de pipelines d'étapes connectées. Les pipelines sont essentiels à la mise en œuvre d'une solution d'opérationnalisation du Machine Learning (ML Ops) efficace dans Azure. Vous découvrirez donc comment les définir et les exécuter dans ce module.

Leçons

• Introduction aux pipelines
• Publication et exécution de pipelines

Laboratoire : Création d'un pipelineLab : 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 faciliter la prise de décision grâce aux prédictions. Ils ne sont donc utiles que lorsqu'ils sont déployés et disponibles pour une application. Dans ce module, découvrez comment déployer des modèles pour l'inférence en temps réel et l'inférence par lots.

Leçons

• Inférence en temps réel
• Inférence par lots

Laboratoire : Création d'un service d'inférence en temps réel
Laboratoire : 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 : Formation de modèles optimaux

À ce stade du cours, vous avez maîtrisé le processus complet d'entraînement, de déploiement et d'utilisation des modèles de machine learning. Mais comment garantir que votre modèle génère les meilleures sorties prédictives pour vos données ? Dans ce module, vous découvrirez comment utiliser le réglage des hyperparamètres et le machine learning automatisé pour tirer parti du calcul à l'échelle du cloud et trouver le modèle le plus adapté à vos données.

Leçons

• Réglage des hyperparamètres
• Apprentissage automatique automatisé

Laboratoire : Réglage 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 par les organisations et les systèmes automatisés reposent aujourd'hui sur des prédictions issues de modèles d'apprentissage automatique. Il est de plus en plus important de comprendre les facteurs qui influencent les prédictions d'un modèle et de pouvoir identifier les biais involontaires dans son comportement. Ce module explique comment interpréter les modèles pour expliquer comment l'importance des caractéristiques détermine leurs prédictions.

Leçons

• Introduction à l'interprétation des modèles
• en utilisant des explicatifs de modèles

Laboratoire : Révision des explications de l'apprentissage automatique automatisé
Laboratoire : Interprétation des modèles

Après avoir terminé ce module, vous serez capable de

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

Module 10 : Modèles de surveillance

Après le déploiement d'un modèle, il est important de comprendre son utilisation en production et de détecter toute dégradation de son 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

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

Prérequis

Les scientifiques de données Azure qui réussissent entrent dans ce rôle avec une compréhension de base des concepts de 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
  
• Utiliser Python pour explorer et visualiser les données
  
• Formation et validation de modèles d'apprentissage automatique à l'aide de cadres courants tels que Scikit-Learn, PyTorch et TensorFlow
  
• Travailler 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, la formation 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