Description du cours : DP-100 : Conception et implémentation d'une solution de science des données sur Azure

Découvrez comment exploiter des solutions de Machine Learning 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 de modèles et la surveillance des solutions d'apprentissage automatique dans Microsoft Azure .

Ce cours est conçu pour les data scientists 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.

Objets de cette collection

• Introduction au SDK Azure Machine Learning (8 unités)
• Utiliser l'apprentissage automatique automatisé dans Azure Machine Learning (8 unités)
• Créer un modèle de classification avec le concepteur Azure Machine Learning (8 unités)
• Entraîner un modèle de Machine Learning avec Azure Machine Learning (7 unités)
• Utilisation des données dans Azure Machine Learning (8 unités)
• Utiliser le calcul dans Azure Machine Learning (8 unités)
• Orchestrer l'apprentissage automatique avec des pipelines (10 unités)
• Implémentation de services d'apprentissage automatique en temps réel avec Azure Machine Learning (7 unités)
• Déployer des pipelines d'inférence par lots avec Azure Machine Learning (6 unités)
• Réglage des hyperparamètres avec Azure Machine Learning (8 unités)
• Automatisation de la sélection de modèles d'apprentissage automatique avec Azure Machine Learning (7 unités)
• Analyse de la confidentialité différentielle (6 unités)
• Définition de modèles de Machine Learning avec Azure Machine Learning (8 unités)
• Détection et atténuation des biais du modèle avec Azure Machine Learning (7 unités)
• Surveillance de la dérive des données avec Azure Machine Learning (6 unités)
• Surveillance des modèles avec Azure Machine Learning (6 unités)

Plan du cours

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 ressources d'apprentissage automatique telles que les données, le calcul, le code de formation des modèles, les métriques enregistrées et les modèles entraînés. 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

Atelier : Création d'un espace de travail Azure Machine Learning
Atelier : Travailler avec les 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 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 pouvant être utilisé pour prédire les valeurs de nouvelles données, avant de finalement déployer le pipeline d'inférence en tant que service pour applications clientes qu'il consomme.

Leçons

• Modèles de formation avec Designer
• Publication de modèles avec Designer

Atelier : Création d'un pipeline de formation avec Azure ML Designer
Atelier : Déployer un service avec 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 modèles de formation

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

Leçons

• Introduction aux expériences
• Formation et enregistrement des modèles

Laboratoire : Expériences en cours
Laboratoire : Formation 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
• Former et enregistrer des modèles d'apprentissage automatique

Module 4 : Travailler avec des 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 banques de données et des ensembles de données dans un espace de travail Azure Machine Learning, ainsi qu'à les utiliser dans des expériences de formation de modèles.

Leçons

• Travailler avec des banques de données
• Travailler avec des ensembles de données

Atelier : Travailler avec des banques de données
Atelier : Travailler avec des ensembles de données

Après avoir terminé ce module, vous serez en mesure de

• Créer et consommer des banques 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'expériences.

Leçons

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

Atelier : Travailler avec des environnements
Atelier : 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 : 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 actifs de données et des ressources de calcul, il est temps d'apprendre à orchestrer ces charges de travail sous forme de pipelines d'étapes connectées. Les pipelines sont essentiels à la mise en œuvre d’une solution efficace d’opérationnalisation du Machine Learning (ML Ops) dans Azure. Vous découvrirez donc comment les définir et les exécuter dans ce module.

Leçons

• Introduction aux pipelines
• Publication et exécution de pipelines

Lab : Créer un PipelineLab : Publier un Pipeline

Après avoir terminé ce module, vous serez en mesure de

• Créez 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 à des 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 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 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 des modèles optimaux

À cette étape du cours, vous avez appris le processus de bout en bout de formation, de déploiement et d'utilisation 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 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

Atelier : Réglage des hyperparamètres
Atelier : Utilisation de l'apprentissage automatique automatisé

Après avoir terminé ce module, vous serez en mesure de

• Optimiser les hyperparamètres pour la formation de modèles
• 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 tout biais involontaire dans le comportement du modèle. Ce module décrit comment interpréter les modèles pour expliquer comment l'importance des fonctionnalités détermine leurs prédictions.

Leçons

• Introduction à l'interprétation du modèle
• utiliser des explicateurs de modèles

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

Après avoir terminé ce module, vous serez en mesure de

• Générez des explications de modèle 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 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

Lab : 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
• Moniteur de dérive des données

Conditions préalables

Les data scientists Azure qui réussissent entrent dans ce rôle avec une compréhension de base des concepts de cloud computing et une expérience de la science générale des données et des outils et techniques 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 frameworks communs tels que Scikit-Learn, PyTorch et TensorFlow
  
• Travaillez avec des conteneurs.
  

Langue

• Cours : Anglais / Espagnol
• Travaux pratiques : anglais

Certification d'associé

Certifié Microsoft : Azure Data Scientist Associate

Gérez l'ingestion et la préparation des données, la formation et le déploiement de modèles, ainsi que la surveillance des solutions de machine learning avec Python, Azure Machine Learning et MLflow.

Niveau : Intermédiaire
Rôle : Scientifique des données
Produit : Azure