DP-100T01 Concevoir et mettre en œuvre une solution Data Science sur Azure

Cette formation est destinée aux scientifiques des données ayant une connaissance existante de Python et des frameworks d’apprentissage automatique tels que Scikit-Learn, PyTorch et Tensorflow, qui souhaitent créer et exploiter des solutions d’apprentissage automatique dans le cloud.
Prérequis
Pour suivre cette formation les apprenants doivent :
Savoir créer des ressources Cloud dans Microsoft Azure.
Maitriser l’utilisation de Python pour explorer et visualiser les données.
Savoir former et valider des modèles d’apprentissage automatique à l’aide de frameworks courants tels que Scikit-Learn, PyTorch et TensorFlow.
Savoir travailler avec des conteneurs
Modalités d’admission
Admission sans disposition particulière
Objectifs de la formation
A l’issue de la formation les apprenants auront acquis les compétences suivantes :
Provisionner un espace de travail Azure Machine Learning
Utiliser des outils et du code pour travailler avec Azure Machine Learning
Utiliser le machine learning automatisé pour entraîner un modèle de machine learning
Utiliser le concepteur Azure Machine Learning pour entraîner un modèle
Exécuter des expériences basées sur du code dans un espace de travail Azure Machine Learning
Former et enregistrer des modèles d’apprentissage automatique
Créer et utiliser des banques de données
Créer et utiliser des ensembles de données
Créer et utiliser des environnements
Créer et utiliser des cibles de calcul
Créer des pipelines pour automatiser les workflows d’apprentissage automatique
Publier et exécuter des services de pipeline
Publier un modèle en tant que service d’inférence en temps réel
Publier un modèle en tant que service d’inférence par lots
Décrire les techniques pour mettre en œuvre l’intégration et la livraison continues
Optimiser les hyperparamètres pour l’entraînement des modèles
Utilisez l’apprentissage automatique automatisé pour trouver le modèle optimal pour vos données
Appliquer la provacité différentielle à l’analyse des données
Utiliser des explicateurs pour interpréter les modèles d’apprentissage automatique
Évaluer l’équité des modèles
Utiliser Application Insights pour surveiller un modèle publié
Surveiller la dérive des données
Description
Module 1 : Premiers pas avec Azure Machine Learning :
Introduction à Azure Machine Learning
Travailler avec Azure Machine Learning
Atelier : Créer un espace de travail Azure Machine Learning

Module 2 : Outils visuels pour l’apprentissage automatique :
Apprentissage automatique automatisé
Concepteur d’apprentissage machine Azure
Atelier : Utiliser l’apprentissage automatique automatisé
Atelier : Utiliser Azure Machine Learning Designer

Module 3 : Exécution d’expériences et modèles d’entraînement :
Introduction aux expériences
Formation et enregistrement des modèles
Atelier : Modèles de train
Atelier : Exécuter des expériences

Module 4 : Travailler avec des données :
Utilisation des banques de données
Travailler avec des ensembles de données
Atelier : Travailler avec des données

Module 5 : Travailler avec le calcul :
Travailler avec des environnements
Utilisation des cibles de calcul
Atelier : Travailler avec le calcul

Module 6 : Orchestration des opérations avec des pipelines :
Introduction aux pipelines
Publication et exécution de pipelines
Atelier : Créer un pipeline

Module 7 : Déploiement et consommation de modèles :
Inférence en temps réel
Inférence par lots
Intégration et livraison continues
Atelier : Créer un service d’inférence en temps réel
Atelier : Créer un service d’inférence par lots

Module 8 : Former des modèles optimaux :
Réglage des hyperparamètres
Apprentissage automatique automatisé
Atelier : Utiliser l’apprentissage automatique à partir du SDK
Atelier : Ajuster les hyperparamètres

Module 9 : Apprentissage automatique responsable :
Confidentialité différentielle
Interprétabilité du modèle
Justice
Atelier : Explorer la provacité différentielle
Atelier : Interpréter les modèles
Atelier : Détecter et atténuer les injustices

Module 10 : Modèles de surveillance :
Modèles de surveillance avec Application Insights
Surveillance de la dérive des données
Atelier : Surveiller la dérive des données
Atelier : Surveiller un modèle avec Application Insights
Modalités pédagogiques
Session dispensée en présentiel ou téléprésentiel, selon la modalité inter-entreprises ou intra-entreprises sur mesure.
La formation est animée par un(e) formateur(trice) durant toute la durée de la session et présentant une suite de modules théoriques clôturés par des ateliers pratiques validant l’acquisition des connaissances. Les ateliers peuvent être accompagnés de Quizz.
L’animateur(trice) présente la partie théorique à l’aide de support de présentation, d’animation réalisée sur un environnement de démonstration.
En présentiel comme en téléprésentiel, l’animateur(trice) accompagne les participants durant la réalisation des ateliers.
Moyens et supports pédagogiques
Cadre présentiel
Salles de formation équipées et accessibles aux personnes à mobilité réduite.
– Un poste de travail par participant
– Un support de cours numérique ou papier (au choix)
– Un bloc-notes + stylo
– Vidéoprojection sur tableau blanc
– Connexion Internet
– Accès extranet pour partage de documents et émargement électronique
Cadre téléprésentiel
Session dispensée via notre solution iClassroom s’appuyant sur Microsoft Teams.
– Un compte Office 365 par participant
– Un poste virtuel par participant
– Un support numérique (PDF ou Web)
– Accès extranet pour partage de documents et émargement électronique
Modalités d’évaluation et de suivi
Avant
Afin de valider le choix d’un programme de formation, une évaluation des prérequis est réalisée à l’aide d’un questionnaire en ligne ou lors d’un échange avec le formateur(trice) qui validera la base de connaissances nécessaires.
Pendant
Après chaque module théorique, un ou des ateliers pratiques permettent la validation de l’acquisition des connaissances. Un Quizz peut accompagner l’atelier pratique.
Après
Un examen de certification si le programme de formation le prévoit dans les conditions de l’éditeur ou du centre de test (TOSA, Pearson Vue, ENI, PeopleCert)
Enfin
Un questionnaire de satisfaction permet au participant d’évaluer la qualité de la prestation.
Profil du / des Formateur(s)
Notre consultant formateur dispose de la certification pédagogique MCT (Microsoft Certified Trainer) et de l’ensemble des certifications liées aux technologies Cloud Microsoft dans les domaines du traitement des données et de l’intelligence artificielle.
Compétences
Provisionner un espace de travail Azure Machine Learning
Utiliser des outils et du code pour travailler avec Azure Machine Learning
Utiliser le machine learning automatisé pour entraîner un modèle de machine learning
Utiliser le concepteur Azure Machine Learning pour entraîner un modèle
Exécuter des expériences basées sur du code dans un espace de travail Azure Machine Learning
Former et enregistrer des modèles d’apprentissage automatique
Créer et utiliser des banques de données
Créer et utiliser des ensembles de données
Créer et utiliser des environnements
Créer et utiliser des cibles de calcul
Créer des pipelines pour automatiser les workflows d’apprentissage automatique
Publier et exécuter des services de pipeline
Publier un modèle en tant que service d’inférence en temps réel
Publier un modèle en tant que service d’inférence par lots
Décrire les techniques pour mettre en œuvre l’intégration et la livraison continues
Optimiser les hyperparamètres pour l’entraînement des modèles
Utilisez l’apprentissage automatique automatisé pour trouver le modèle optimal pour vos données
Appliquer la provacité différentielle à l’analyse des données
Utiliser des explicateurs pour interpréter les modèles d’apprentissage automatique
Évaluer l’équité des modèles
Utiliser Application Insights pour surveiller un modèle publié
Surveiller la dérive des données