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, le calcul, le code de formation de modèle, les métriques enregistrées et les modèles formés. Vous apprendrez à utiliser l’interface Web du studio Azure Machine Learning 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.
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 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 de formation qui encapsule la préparation des données et la formation du modèle, puis à convertir ce pipeline de formation 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 les applications clientes à consommer.
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 en mesure 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 commencerez par 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 des modèles
Après avoir terminé ce module, vous serez en mesure 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 en mesure 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 les ressources de calcul à la demande et de les utiliser pour faire évoluer les processus d’apprentissage automatique dans une mesure qui serait impossible sur votre propre matériel. Dans ce module, vous apprendrez à gérer des environnements d'expérimentation qui garantissent une cohérence d'exécution cohérente pour les expériences, et à créer et utiliser des cibles de calcul pour les exécutions d'expérimentation.
Leçons
- Travailler avec les 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 en mesure de
- Créer et utiliser des environnements
- Créer et utiliser des cibles de calcul
Module 6 : Orchestrer les opérations avec des pipelines
Maintenant que vous comprenez les bases de l’exécution de charges de travail en tant qu’expériences qui exploitent les ressources de données et les ressources de calcul, il est temps d’apprendre à orchestrer ces charges de travail en tant que pipelines d’étapes connectées. Les pipelines sont essentiels à la mise en œuvre d’une solution d’opérationnalisation de l’apprentissage automatique (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 pipeline Laboratoire : 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 de modèles
Les modèles sont conçus pour aider à la prise de décision grâce à des prédictions. Ils ne sont donc utiles que lorsqu'ils sont déployés et disponibles pour 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
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 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 : Formation de modèles optimaux
À ce stade du cours, vous avez appris le processus de bout en bout pour la formation, le déploiement et la consommation de modèles d’apprentissage automatique ; Mais comment garantir que votre modèle produit les meilleurs résultats prédictifs pour vos données ? Dans ce module, vous découvrirez 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
Laboratoire : Réglage des hyperparamètres
Laboratoire : Utilisation de l'apprentissage automatique automatisé
Après avoir terminé ce module, vous serez en mesure 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 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 fonctionnalités détermine leurs prédictions.
Leçons
- Introduction à l'interprétation des modèles
- en utilisant des explicatifs de modèles
Laboratoire : Examen des explications sur l'apprentissage automatique automatisé
Laboratoire : 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 explicatifs pour interpréter les modèles d'apprentissage automatique
Module 10 : Modèles de surveillance
Une fois qu'un modèle a été déployé, il est important de comprendre comment le modèle est utilisé 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 en mesure de
- Utiliser Application Insights pour surveiller un modèle publié
- Surveiller la dérive des données
