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

Microsoft retire le matériel DP-100: Designing and Implementing a Data Science Solution on Azure le 30 avril 2026. Le cours de remplacement sera : AI-300: Operationalize machine learning and generative AI solutions

Cours 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. Ce cours vous apprend à 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 des modèles, et la surveillance des solutions d'apprentissage automatique sur Microsoft Azure.

Cours virtuel avec examen de certification inclus en cadeau. Ne manquez pas cette opportunité ! L'examen est évalué à 126 € + TVA et est inclus sans frais supplémentaires.

Promotion valable jusqu'au 30 juin 2026. Examen d'une seule tentative disponible uniquement en mode Virtuel - Téléformation.

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

Cours destiné à

Ce cours est conçu pour les scientifiques de 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 des modèles avec Azure Machine Learning (4 unités)

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

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

• Développement d'applications d'IA génératives dans 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 journalisées 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

Labo : Création d'un espace de travail Azure Machine Learning
Labo : 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 que les applications clientes peuvent consommer.

Leçons

• Entraîner des modèles avec Designer
• Publier des modèles avec Designer

Labo : Création d'un pipeline d'entraînement avec Azure ML Designer
Labo : 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 des modèles, et les utiliserez pour entraîner des modèles d'apprentissage automatique.

Leçons

• Introduction aux expériences
• Entraînement et enregistrement de modèles

Labo : Exécution d'expériences
Labo : Entraînement et enregistrement de modèles

Après avoir terminé ce module, vous serez capable de

• Exécuter des expériences basées sur le 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, c'est pourquoi, dans ce module, vous apprendrez à créer et à gérer des magasins 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

• Travailler avec les magasins de données
• Travailler avec les jeux de données

Labo : Travailler avec les magasins de données
Labo : Travailler avec les jeux de données

Après avoir terminé ce module, vous serez capable de

• Créer et consommer des magasins de données
• Créer et consommer des jeux de données

Module 5 : Contextes de calcul

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

Leçons

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

Labo : Travailler avec les environnements
Labo : 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 des charges de travail en tant qu'expériences qui exploitent les ressources de données et de calcul, il est temps d'apprendre à orchestrer ces charges de travail en tant que pipelines d'étapes connectées. Les pipelines sont essentiels pour mettre en œuvre une solution efficace d'opérationnalisation de l'apprentissage automatique (ML Ops) dans Azure, vous explorerez donc comment les définir et les exécuter dans ce module.

Leçons

• Introduction aux pipelines
• Publication et exécution de pipelines

Labo : Création d'un pipelineLabo : 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 par le biais de 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

Labo : Création d'un service d'inférence en temps réel
Labo : 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 assurer que votre modèle produit les meilleures sorties prédictives 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

Labo : Réglage des hyperparamètres
Labo : 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 détecter tout biais involontaire 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
• Utilisation des explications de modèles

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

Après avoir terminé ce module, vous serez capable de

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

Module 10 : Surveillance des modèles

Après le déploiement d'un modèle, il est important de comprendre comment le modèle 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

Labo : Surveillance d'un modèle avec Application Insights
Labo : 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 performants débutent ce rôle avec une connaissance de base des concepts informatiques du cloud et une expérience des techniques et outils généraux de science des données et d'apprentissage automatique.

Plus précisément :

• 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
  
• Travail avec des conteneurs.
  

Langue

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

Certification Microsoft Associée : Azure Data Scientist Associate

Microsoft Certified : Azure Data Scientist Associate

Microsoft retire la certification Azure Data Scientist Associate (DP-100) le 1er juin 2026. Son remplacement sera la certification : MLOps Engineer Associate (AI-300). Lancement Beta Mars 2026

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