Formation : Train and deploy a machine learning model with Azure Machine Learning (DP-3007)

Ref. DP-3007

Télécharger en PDF

Durée :

1

jour

Examen :

Optionnel

Niveau :

Intermédiaire

Financement :

Temptraining

Home > Formations > Informatique > Intelligence Artificielle > Train and deploy a machine learning model with Azure Machine Learning (DP-3007)

Train and deploy a machine learning model with Azure Machine Learning (DP-3007)

Découvrez comment maîtriser Azure Machine Learning pour optimiser vos projets d’intelligence artificielle. Notre formation « Train and deploy a machine learning model with Azure Machine Learning (DP-3007) » vous guide à travers les étapes cruciales, de la préparation des données à la configuration des ressources de calcul, jusqu’à l’entrainement et le déploiement de modèles pour des prédictions en temps réel.

Que vous souhaitiez créer et gérer des environnements personnalisés, suivre les performances des modèles avec MLflow, ou déployer efficacement vos solutions, ce parcours d’apprentissage est conçu pour équiper les professionnels avec les compétences nécessaires pour exceller dans le domaine dynamique du machine learning. Rejoignez notre cours Train and deploy a machine learning model with Azure Machine Learning (DP-3007) pour transformer vos connaissances en actions concrètes et mener vos projets d’IA vers de nouveaux sommets d’efficacité et d’innovation.

Profils des participants

AI Engineer
Data Engineer
Developer
Data Scientist

Objectifs

Rendre les données accessibles dans Azure Machine Learning
Maîtriser les cibles de calcul dans Azure Machine Learning
Exécuter un script d’entraînement comme une tâche de commande dans Azure Machine Learning
Suivre l’entraînement des modèles avec MLflow
Enregistrer un modèle MLflow dans Azure Machine Learning
Déployer un modèle sur un point de terminaison en ligne géré

Connaissances Préalables

Connaissance du processus de science des données
Compréhension de base des concepts de la science des données
Familiarité avec le langage Python

Contenu du cours

Module 1 : Rendre les données disponibles dans Azure Machine Learning

Comprendre les URI
Créer une zone de stockage de données
Créer une ressource de données

Module 2 : Travailler avec les cibles de calcul dans Azure Machine Learning

Choisir la cible de calcul appropriée
Créer et utiliser une instance de calcul
Créer et utiliser un cluster de calcul

Module 3 : Travailler avec les environnements dans Azure Machine Learning

Comprendre les environnements
Explorer et utiliser les environnements organisés
Créer et utiliser des environnements personnalisés

Module 4 : Exécuter un script d’entraînement comme une tâche de commande dans Azure Machine Learning

Convertir un carnet en script
Exécuter un script comme une tâche de commande
Utiliser des paramètres dans une tâche de commande

Module 5 : Suivre l’entraînement des modèles avec MLflow dans les tâches

Suivre les métriques avec MLflow
Voir les métriques et évaluer les modèles

Module 6 : Enregistrer un modèle MLflow dans Azure Machine Learning

Enregistrer les modèles avec MLflow
Comprendre le format de modèle MLflow
Enregistrer un modèle MLflow

Module 7 : Déployer un modèle sur un point de terminaison en ligne géré

Explorer les points de terminaison en ligne gérés
Déployer votre modèle MLflow sur un point de terminaison en ligne géré
Déployer un modèle sur un point de terminaison en ligne géré
Tester les points de terminaison en ligne gérés

Documentation

Support de cours numérique inclus

Cours complémentaires

Designing and Implementing a Data Science Solution on Azure (DP-100) | DP-100T01

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

Découvrez comment rendre vos données accessibles avec notre cours « Train and deploy a machine learning model with Azure Machine Learning (DP-3007) »

Dans un monde où les données sont le nouveau pétrole, savoir comment organiser, stocker et rendre disponibles vos précieuses données dans Azure Machine Learning est essentiel. Notre formation vous guide à travers les étapes pour comprendre les URIs, créer un datastore efficace et gérer vos actifs de données de manière optimale.

Optimisez vos projets avec des cibles de calcul dans Azure Machine Learning

Le choix de la cible de calcul adaptée peut faire toute la différence dans l’exécution de vos projets de machine learning. Apprenez à choisir la bonne cible de calcul, à créer et à utiliser une instance de calcul ainsi qu’un cluster de calcul pour maximiser l’efficacité de vos tâches d’apprentissage automatique.

Maîtrisez les environnements dans Azure Machine Learning

Comprendre et naviguer dans les différents environnements d’Azure Machine Learning est crucial pour le succès de vos projets. Notre formation couvre tout, des environnements prédéfinis jusqu’à la création et l’utilisation de vos propres environnements personnalisés, vous permettant ainsi d’accélérer votre développement.

Exécutez des scripts de formation de manière efficace

Transformer un notebook en script et exécuter ce dernier comme un travail de commande peut sembler complexe, mais notre formation rend ce processus transparent. Vous apprendrez également à intégrer des paramètres dans vos travaux de commande, optimisant ainsi vos scripts de formation.

Suivi de l’entraînement des modèles avec MLflow

L’utilisation de MLflow pour suivre les métriques de vos modèles et évaluer leurs performances est une compétence inestimable. Notre cours vous montre comment tirer le meilleur parti de MLflow pour garder une trace de vos entraînements et prendre des décisions éclairées basées sur des données fiables.

Enregistrez vos modèles avec MLflow dans Azure Machine Learning

Découvrez comment enregistrer efficacement vos modèles MLflow dans Azure Machine Learning, comprendre le format de modèle MLflow et garantir que vos modèles sont prêts pour la production.

Déployez vos modèles vers des points de terminaison en ligne gérés

Le déploiement de vos modèles vers des points de terminaison en ligne gérés est la dernière étape pour mettre votre travail en production. Notre formation vous fournit les outils et les connaissances nécessaires pour déployer avec succès vos modèles MLflow et tester les points de terminaison en ligne, assurant ainsi que vos modèles sont performants et prêts à l’emploi.