☀️ C'est l'été chez ITTA ! Profitez de 10% de réduction jusqu'au 31 juillet sur une sélection de formations 🌴
☀️ C'est l'été chez ITTA ! Profitez de 10% de réduction jusqu'au 31 juillet sur une sélection de formations 🌴 ×

Formation : Designing and Implementing a Data Science Solution on Azure (DP-100)

Ref. DP-100T01
Durée :
4
 jours
Examen :
Optionnel
Niveau :
Intermédiaire

Designing and Implementing a Data Science Solution on Azure (DP-100)

Dans ce cours Designing and Implementing a Data Science Solution on Azure (DP-100), apprenez à maîtriser les solutions d’apprentissage automatique sur le cloud avec Azure Machine Learning. Notre formation vous guide à travers l’ingestion des données, la formation des modèles, le déploiement et la surveillance des solutions dans l’écosystème de Microsoft Azure.

Parfaitement conçue pour ceux ayant déjà des connaissances en Python et en machine learning, cette formation vous permettra d’optimiser vos projets grâce aux meilleurs outils et techniques disponibles. Découvrez comment transformer vos données en décisions avec une stratégie claire et des compétences avancées en Azure Machine Learning.

Profils des participants

  • Spécialiste des données

Objectifs

  • Utiliser les services Azure pour développer, former et déployer des solutions d’apprentissage machine
  • Concevoir une stratégie d’ingestion de données
  • Former des modèles Machine Learning
  • Déployer des modèles en temps réel ou par lots
  • Explorer et utiliser les ressources Azure Machine Learning
  • Exécuter des pipelines de Machine Learning
  • Optimiser les modèles avec le réglage des hyperparamètres

Connaissances Préalables

  • Avoir suivi ou maîtriser les notions incluses dans le cours suivant : Microsoft Azure Fundamentals (AZ-900)
  • Comprendre les fondamentaux d’Azure
  • Comprendre la science des données, y compris comment préparer des données, former des modèles et évaluer des modèles concurrents afin de sélectionner le meilleur
  • Avoir une bonne connaissance du langage de programmation Python et des bibliothèques Python : pandas, scikit-learn, matplotlib et seaborn

Contenu du cours

Module 1 : Concevoir une stratégie d’ingestion de données pour des projets Machine Learning

  • Identifier votre source de données et votre format
  • Choisir comment distribuer des données aux workflows Machine Learning
  • Concevoir une solution d’ingestion de données

Module 2 : Concevoir une solution de formation de modèle Machine Learning

  • Identifier les tâches Machine Learning
  • Choisir un service pour effectuer l’apprentissage d’un modèle Machine Learning
  • Décider entre les options de calcul

Module 3 : Concevoir une solution de déploiement de modèle

  • Comprendre comment le modèle est consommé
  • Choisir un déploiement en temps réel ou par lots

Module 4: Explorer les ressources et les actifs de l’espace de travail Azure Machine Learning

  • Création d’un espace de travail Microsoft Azure Machine Learning
  • Identifier les ressources Azure Machine Learning
  • Identifier les actifs Azure Machine Learning
  • Former des modèles dans l’espace de travail

Module 5 : Explorer les outils de développement pour l’interaction de l’espace de travail

  • Explorer le studio
  • Explorer le SDK Python
  • Explorer l’interface CLI

Module 6 : Rendre les données disponibles dans Azure Machine Learning

  • Comprendre les URI
  • Créer une banque de données
  • Créer une ressource de données

Module 7 : Utiliser des cibles de calcul dans Azure Machine Learning

  • Créer et utiliser une instance de calcul
  • Créer et utiliser une instance de calcul
  • Créer et utiliser un cluster de calcul

Module 8 : Utiliser des environnements dans Azure Machine Learning

  • Comprendre les environnements
  • Explorer et utiliser des environnements curés
  • Créer et utiliser des environnements personnalisés

Module 9 : Trouver le meilleur modèle de classification avec le Machine Learning automatisé

  • Prétraiter les données et configurer la caractérisation
  • Exécuter une expérience de Machine Learning automatisé
  • Évaluer et comparer des modèles

Module 10 : Suivre la formation du modèle dans les notebooks Jupyter avec MLflow

  • Configurer MLflow pour le suivi des modèles dans les notebooks
  • Former et suivre des modèles dans des notebooks

Module 11 : Exécuter un script d’entraînement en tant que travail de commande dans Azure Machine Learning

  • Convertir un notebook en script
  • Exécuter un script en tant que travail de commande
  • Utiliser des paramètres dans un travail de commande

Module 12 : Suivre la formation du modèle avec MLflow dans les travaux

  • Suivre les métriques avec MLflow
  • Afficher les métriques et évaluer les modèles

Module 13 : Exécuter des pipelines dans Azure Machine Learning

  • Créer des composants
  • Créer un pipeline
  • Exécuter un travail de pipeline

Module 14 : Effectuer le réglage des hyperparamètres avec Azure Machine Learning

  • Définir un espace de recherche
  • Configurer une méthode d’échantillonnage
  • Configuration de l’arrêt anticipé
  • Utiliser un travail de balayage pour le réglage des hyperparamètres

Module 15 : Déployer un modèle sur un point de terminaison en ligne managé

  • Explorer les points de terminaison en ligne managés
  • Déployer votre modèle MLflow sur un point de terminaison en ligne managé
  • Déployer un modèle sur un point de terminaison en ligne managé

Module 16 : Déployer un modèle sur un point de terminaison de lot

  • Comprendre et créer des points de terminaison de lot
  • Déployer votre modèle MLflow sur un point de terminaison de lot
  • Déployer un modèle personnalisé sur un point de terminaison de lot
  • Appeler les points de terminaison de lot et résoudre les problèmes

Documentation

  • Accès à Microsoft Learn (contenu d’apprentissage en ligne)

Lab / Exercices

  • Laboratoires officiels Microsoft

Examen

  • Ce cours prépare à la certification DP-100 : Designing and Implementing a Data Science Solution on Azure
  • Si vous souhaitez passer cet examen, veuillez le sélectionner lors de l’ajout de la formation dans votre panier

Cours complémentaires

Financement Temptraining

ITTA est partenaire de Temptraining, le fonds de formation continue pour les travailleurs temporaires. Ce fonds de formation peut subventionner des formations continues pour toute personne qui travaille pour un employeur assujetti à la Convention collective de travail (CCT) Location de services.

Informations additionnelles

Designing and Implementing a Data Science Solution on Azure (DP-100)

La conception et la mise en œuvre d’une solution de science des données sur Azure (DP-100) est une compétence cruciale pour les professionnels de la donnée souhaitant exploiter la puissance d’Azure pour leurs projets de Machine Learning et d’intelligence artificielle. Cette formation vous guide à travers toutes les étapes nécessaires pour maîtriser Azure Machine Learning, de l’ingestion des données au déploiement des modèles.

Introduction à la Science des Données sur Azure

Azure est une plateforme cloud de Microsoft, largement utilisée pour le développement et le déploiement de solutions de science des données. Elle offre une gamme d’outils et de services permettant de concevoir, former et déployer des modèles de Machine Learning de manière efficace et scalable.

Concevoir une Stratégie d’Ingestion de Données

Une des premières étapes dans tout projet de science des données est l’ingestion des données. Il est essentiel de choisir la source de données appropriée et de déterminer le format optimal pour vos workflows de Machine Learning. Une solution d’ingestion bien conçue garantit que les données sont facilement accessibles et utilisables pour la modélisation.

Formation de Modèles de Machine Learning

Identifier les tâches spécifiques de Machine Learning et sélectionner les services appropriés pour l’apprentissage des modèles est crucial. Azure propose divers services qui facilitent ce processus, en offrant des options de calcul flexibles pour répondre aux besoins spécifiques de chaque projet.

Déploiement de Modèles de Machine Learning

Le déploiement est une étape critique pour rendre les modèles accessibles et opérationnels. Azure permet de choisir entre un déploiement en temps réel ou par lots, en fonction des besoins de votre application. Comprendre comment le modèle est consommé aide à choisir la meilleure stratégie de déploiement.

Explorer les Ressources et Actifs Azure Machine Learning

Azure Machine Learning Workspace est l’endroit où vous pouvez gérer tous les aspects de vos projets de Machine Learning. La création et la gestion des ressources et des actifs, tels que les modèles et les datasets, sont facilitées par l’interface intuitive d’Azure.

Utiliser des Outils de Développement pour l’Interaction avec Azure

Pour une interaction efficace avec l’espace de travail Azure Machine Learning, il est important de maîtriser divers outils de développement comme le studio Azure, le SDK Python, et l’interface CLI. Ces outils permettent une gestion et une interaction fluide avec vos projets.

Disponibilité des Données dans Azure Machine Learning

Créer des URI, des banques de données et des ressources de données assure que vos datasets sont toujours disponibles et bien organisés pour les expériences de Machine Learning. Une gestion efficace des données est essentielle pour des résultats précis et reproductibles.

Utiliser des Cibles de Calcul dans Azure

Azure propose diverses options de calcul, y compris des instances de calcul et des clusters, qui permettent de gérer efficacement les ressources nécessaires pour l’entraînement des modèles. Ces cibles de calcul sont optimisées pour offrir des performances élevées et une grande flexibilité.

Explorer et Utiliser des Environnements dans Azure Machine Learning

Les environnements dans Azure Machine Learning jouent un rôle crucial pour garantir que les expériences sont reproductibles et isolées. Utiliser des environnements curés ou créer des environnements personnalisés selon les besoins de votre projet peut améliorer significativement l’efficacité du développement.

Machine Learning Automatisé et Optimisation des Modèles

Le Machine Learning automatisé permet de prétraiter les données, configurer la caractérisation, et exécuter des expériences pour trouver les meilleurs modèles de classification. Cette approche aide à automatiser et à optimiser le processus de modélisation.

Suivi de la Formation du Modèle avec MLflow

MLflow est un outil puissant pour le suivi des modèles. Configurer MLflow pour suivre les expériences dans les notebooks Jupyter et les travaux permet une gestion et une évaluation efficaces des modèles, en assurant la traçabilité et la reproductibilité des résultats.

Exécution et Suivi de Scripts d’Entraînement

Exécuter des scripts d’entraînement en tant que travaux de commande dans Azure Machine Learning et utiliser des paramètres pour ces travaux assure une grande flexibilité et une gestion efficace des expériences.

Déploiement de Modèles sur Points de Terminaison

Déployer des modèles sur des points de terminaison en ligne managés ou de lot permet de rendre les modèles accessibles pour des applications en production. Azure facilite ce processus en offrant des options de déploiement robustes et scalables.

Réglage des Hyperparamètres et Exécution de Pipelines

Configurer un espace de recherche, utiliser des méthodes d’échantillonnage et des techniques de réglage des hyperparamètres optimise les performances des modèles. De plus, la création et l’exécution de pipelines dans Azure Machine Learning automatisent et orchestrent les différentes étapes du workflow de Machine Learning.

La maîtrise de la conception et de la mise en œuvre d’une solution de science des données sur Azure ouvre de nombreuses opportunités dans le domaine du Machine Learning et de l’intelligence artificielle. En suivant cette formation, vous serez équipé pour passer l’examen DP-100 avec succès et exploiter pleinement les capacités de Microsoft Azure pour vos projets de science des données.

Questions Fréquentes

Qu’est-ce que la conception et la mise en œuvre d’une solution de science des données sur Azure ?

C’est le processus de développement, de formation, de déploiement et de gestion de modèles de Machine Learning en utilisant les outils et services fournis par Azure.

Quelle est la difficulté de l’examen DP-100 ?

L’examen DP-100 évalue les compétences en conception et mise en œuvre de solutions de science des données sur Azure. Avec une préparation adéquate, incluant une compréhension approfondie des modules mentionnés, vous pouvez réussir cet examen.

À quoi sert Azure dans la science des données ?

Azure offre une infrastructure cloud puissante pour le développement et le déploiement de solutions de science des données, facilitant l’ingestion des données, la formation des modèles, et le déploiement en production de manière efficace et scalable.

Prix de l'inscription
CHF 3'000.-
Inclus dans ce cours
  • Formation dispensée par un formateur certifié
  • 180 jours d’accessibilité aux laboratoires
  • Matériel didactique à jour avec Microsoft Learn
  • Badge de réussite du cours Microsoft

mar13Aoû(Aoû 13)09:00ven16(Aoû 16)17:00VirtuelVirtuel Etiquettes de sessionDP-100T01

mar13Aoû(Aoû 13)09:00ven16(Aoû 16)17:00Genève, Route des Jeunes 33B, 1227 Carouge Etiquettes de sessionDP-100T01

mar17Sep(Sep 17)09:00ven20(Sep 20)17:00VirtuelVirtuel Etiquettes de sessionDP-100T01

mar17Sep(Sep 17)09:00ven20(Sep 20)17:00Lausanne, Avenue Mon repos 24, 1005 Lausanne Etiquettes de sessionDP-100T01

mar22Oct(Oct 22)09:00ven25(Oct 25)17:00VirtuelVirtuel Etiquettes de sessionDP-100T01

mar22Oct(Oct 22)09:00ven25(Oct 25)17:00Genève, Route des Jeunes 33B, 1227 Carouge Etiquettes de sessionDP-100T01

mar26Nov(Nov 26)09:00ven29(Nov 29)17:00VirtuelVirtuel Etiquettes de sessionDP-100T01

mar26Nov(Nov 26)09:00ven29(Nov 29)17:00Lausanne, Avenue Mon repos 24, 1005 Lausanne Etiquettes de sessionDP-100T01

Horaires d’ouverture

Du lundi au vendredi, de 8:30 à 18:00.

Contactez-nous

Votre demande

X
X
X
X