DP-3007 : Former et déployer un modèle d'apprentissage automatique avec Azure Machine Learning

• Configurer un environnement de développement dans Azure Machine Learning
• Préparer les données pour la formation du modèle
• Créer et configurer un script de formation de modèle en tant que tâche de commande
• Gestion des artefacts à l'aide de MLflow
• Mettre en œuvre un modèle de consommation en temps réel

Module 1 : Rendre les données disponibles dans Azure Machine Learning

• Description des URI
• Création d'un entrepôt de données
• Créer une ressource de données
• Exercice : Rendre les données disponibles dans Azure Machine Learning

Module 2 : Utilisation des cibles de calcul dans Azure Machine Learning

• Choisir la bonne destination du processus
• Création et utilisation d'une instance de processus
• Création et utilisation d'un cluster de processus
• Exercice : Travailler avec les ressources du processus

Module 3 : Travailler avec les environnements dans Azure Machine Learning

• Informations sur les environnements
• Explorer et utiliser des environnements maintenus
• Création et utilisation d'environnements personnalisés
• Exercice : Travailler avec les environnements

Module 4 : Exécution d'un script de formation en tant que tâche de commande dans Azure Machine Learning

• Conversion d'un bloc-notes en script
• Exécution d'un script en tant que tâche de commande
• Utilisation de paramètres dans une tâche de commande
• Exercice : Exécution d'un script de formation en tant que tâche de commande

Module 5 : Suivi de l'entraînement du modèle avec MLflow dans les tâches

• Suivi des métriques avec MLflow
• Visualiser les métriques et évaluer les modèles
• Exercice : Utilisation de MLflow pour suivre les tâches de formation

Module 6 : Enregistrement d'un modèle MLFlow dans Azure Machine Learning

• Enregistrement du modèle avec MLflow
• Description du format du modèle MLflow
• Enregistrement d'un modèle MLflow
• Exercice : Enregistrement de modèle avec MLflow

Module 7 Déploiement d'un modèle sur un point de terminaison en ligne géré

• Analyse des points de terminaison en ligne gérés
• Déploiement d'un modèle MLflow sur un point de terminaison en ligne géré
• Déploiement d'un modèle sur un point de terminaison en ligne géré
• Tester les points de terminaison gérés en ligne
• Exercice : Déploiement d'un modèle MLflow sur un point de terminaison en ligne

Une connaissance des services Azure et une expérience avec Azure Machine Learning et Mlflow sont recommandées. De plus, ils doivent avoir de l’expérience dans l’exécution de tâches liées à l’apprentissage automatique à l’aide de Python .

• Cours : Anglais / Espagnol
• Laboratoires : anglais / espagnol

Ce cours fait partie des certifications Microsoft Applied Skills.

Pour obtenir cette certification Microsoft Applied Skills, les étudiants démontrent leur capacité à former et à gérer des modèles d’apprentissage automatique à l’aide d’Azure Machine Learning.

Compétences appliquées : Explorez toutes les qualifications dans un seul guide