MECER MS-DP100T01 Conception et mise en œuvre d'une solution de science des données sur Azure
| DURÉE | NIVEAU | TECHNOLOGIE | LIVRAISON MÉTHODE |
ENTRAÎNEMENT CRÉDITS |
| 3 jours | Intermédiaire | Azuré | Dirigé par un instructeur | NA |
INTRODUCTION
Acquérir les connaissances nécessaires sur l'utilisation des services Azure pour développer, former et déployer des solutions d'apprentissage automatique. Le cours commence par un overview de services Azure prenant en charge la science des données. À partir de là, il se concentre sur l'utilisation du premier service de science des données d'Azure, le service Azure Machine Learning, pour automatiser le pipeline de science des données. Ce cours est axé sur Azure et n'enseigne pas à l'étudiant comment faire de la science des données. On suppose que les élèves le savent déjà.
PUBLIC PROFILE
Ce cours s'adresse aux scientifiques des données et à ceux qui ont des responsabilités importantes dans la formation et le déploiement de modèles d'apprentissage automatique.
CONDITIONS PRÉALABLES
Avant de suivre ce cours, les étudiants doivent avoir :
- Principes fondamentaux d'Azure
- Compréhension de la science des données, y compris comment préparer des données, former des modèles et évaluer des modèles concurrents pour sélectionner le meilleur.
- Comment programmer dans le langage de programmation Python et utiliser les bibliothèques Python : pandas, scikit-learn, matplotlib et seaborn.
OBJECTIFS DU COURS
Après avoir terminé ce cours, les étudiants seront capables de :
- Comprendre la science des données dans Azure
- Utilisez Machine Learning pour automatiser le processus de bout en bout
- Gérer et surveiller le service Machine Learning
Module 1 : Premiers pas avec Azure Machine Learning
Dans ce module, vous apprendrez à provisionner un espace de travail Azure Machine Learning et à l'utiliser pour gérer les ressources de machine learning telles que les données, le calcul, le code de formation de modèle, les métriques enregistrées et les modèles formés. Vous apprendrez à utiliser le webbasée sur Azure Machine Learning Studio ainsi que le SDK Azure Machine Learning et des outils de développement tels que Visual Studio Code et Jupyter Notebooks pour travailler avec les actifs de votre espace de travail.
Cours
- Présentation d'Azure Machine Learning
- Travailler avec Azure Machine Learning
- Laboratoire: Créer un espace de travail Azure Machine Learning
- Provisionner un espace de travail Azure Machine Learning
- Utiliser des outils et du code pour travailler avec Azure Machine Learning
Module 2 : Outils visuels pour l'apprentissage automatique
Ce module présente les outils visuels d'apprentissage automatique et de concepteur, que vous pouvez utiliser pour former, évaluer et déployer des modèles d'apprentissage automatique sans écrire de code.
Cours
- Apprentissage automatique automatisé
- Concepteur Azure Machine Learning
Laboratoire: Utiliser l'apprentissage automatique automatisé
Laboratoire: Utiliser Azure Machine Learning Designer
Après avoir terminé ce module, vous serez en mesure de
- Utiliser l'apprentissage automatique pour former un modèle d'apprentissage automatique
- Utiliser le concepteur Azure Machine Learning pour former un modèle
Module 3 : Exécution d'expériences et de modèles d'entraînement
Dans ce module, vous commencerez avec des expériences qui encapsulent le traitement des données, modèlent le code de formation et les utilisent pour former des modèles d'apprentissage automatique. Cours
- Introduction aux expériences
- Entraînement et enregistrement des modèles
Laboratoire: Modèles de train
Laboratoire: Exécuter des expériences
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
est un élément fondamental de toute charge de travail de machine learning. Dans ce module, vous apprendrez donc à créer et à gérer des banques de données et des jeux de données dans un espace de travail Azure Machine Learning, et à les utiliser dans des expériences de formation de modèles.
Cours
- Travailler avec les magasins de données
- Travailler avec des ensembles de données
Laboratoire: Travailler avec des données
Après avoir terminé ce module, vous serez en mesure de
- Créer et utiliser des banques de données
- Créer et utiliser des ensembles de données
Module 5 : Travailler avec le calcul
L'un des principaux avantages du cloud est la possibilité de tirer parti des ressources de calcul à la demande et de les utiliser pour faire évoluer les processus d'apprentissage automatique dans une mesure qui serait irréalisable 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'expérimentation.
Cours
- Travailler avec des environnements
- Travailler avec des cibles de calcul
Laboratoire: Travailler avec le 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 en tant qu'expériences qui exploitent les actifs de données et les 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 pour implémenter une solution efficace d'opérationnalisation de l'apprentissage automatique (ML Ops) dans Azure, vous allez donc découvrir comment les définir et les exécuter dans ce module.
Cours
- Introduction aux pipelines
- Publication et exécution de pipelines
Laboratoire: Créer un pipeline
Après avoir terminé ce module, vous serez en mesure de
- Créer des pipelines pour automatiser les workflows d'apprentissage automatique
- Publier et exécuter des services de pipeline
Module 7 : Déploiement et consommation de modèles
Les modèles sont conçus pour aider à la prise de décision par le biais de prédictions, ils ne sont donc utiles que lorsqu'ils sont déployés et disponibles pour une application à consommer. Dans ce module, apprenez à déployer des modèles pour l'inférence en temps réel et pour l'inférence par lots.
Cours
- Inférence en temps réel
- Inférence par lots
- Intégration et livraison continues
Laboratoire: Créer un service d'inférence en temps réel
Laboratoire: Créer 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
- Décrire les techniques de mise en œuvre de l'intégration et de la livraison continues
Module 8 : Formation de modèles optimaux
Par ce stagAu cours du cours, vous avez appris le processus de bout en bout pour la formation, le déploiement et l'utilisation de modèles d'apprentissage automatique ; mais comment vous assurez-vous que votre modèle produit les meilleurs résultats prédictifs pour vos données ? Dans ce module, vous découvrirez comment vous pouvez utiliser le réglage des hyperparamètres et l'apprentissage automatique automatique pour tirer partitage du calcul à l'échelle du cloud et trouvez le meilleur modèle pour vos données.
Cours
- Réglage des hyperparamètres
- Apprentissage automatique automatisé
Laboratoire: Utiliser l'apprentissage automatique automatisé à partir du SDK
Laboratoire: Régler les hyperparamètres Après avoir terminé ce module, vous serez en mesure de
- Optimiser les hyperparamètres pour la formation de modèles
- Utilisez le machine learning automatisé pour trouver le modèle optimal pour vos données
Module 9 : Apprentissage automatique responsable
Les scientifiques des données ont le devoir de s'assurer qu'ils analysent les données et forment des modèles d'apprentissage automatique de manière responsable ; respecter la vie privée des individus, atténuer les préjugés et assurer la transparence. Ce module explore certaines considérations et techniques pour appliquer des principes d'apprentissage automatique responsables. Cours
- Confidentialité différentielle
- Interprétabilité du modèle
- Justice
Laboratoire: Explorer la confidentialité différentielle
Laboratoire: Interpréter des modèles
Laboratoire: Détecter et atténuer les injustices Après avoir terminé ce module, vous serez en mesure de
- Appliquer la confidentialité différentielle à l'analyse des données
- Utiliser des explicateurs pour interpréter les modèles d'apprentissage automatique
- Évaluer les modèles pour l'équité
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. Cours
- Surveillance des modèles avec Application Insights
- Surveillance de la dérive des données
Laboratoire: Surveiller la dérive des données
Laboratoire: Surveiller un modèle avec Application Insights
Après avoir terminé ce module, vous serez en mesure de
- Utiliser Application Insights pour surveiller un modèle publié
- Surveiller la dérive des données
CERTIFICATIONS ET EXAMENS ASSOCIÉS
Ce cours préparera les délégués à passer l'examen Microsoft DP-100 : Conception et mise en œuvre d'une solution de science des données sur Azure.
Documents / Ressources
 |
MECER MS-DP100T01 Conception et mise en œuvre d'une solution de science des données sur Azure [pdf] Guide de l'utilisateur MS-DP100T01 Conception et mise en œuvre d'une solution de science des données sur Azure, MS-DP100T01, Conception et mise en œuvre d'une solution de science des données sur Azure |
