Prérequis
Avoir des connaissances de base sur les concepts du Cloud Computing et une expérience sur les outils et techniques généraux de Data Science et Machine Learning.
Validez les prérequis
Afin de vérifier que vous disposez bien des prérequis nécessaires à cette formation, nous vous invitons à réaliser ce test.
Temps estimé : 4 minutes.
Passer le testObjectifs de formation
A l'issue de cette formation, vous serez capable de :
- Opérer des solutions d'apprentissage automatique à l'échelle du Cloud à l'aide d'Azure Machine Learning
- Utiliser vos connaissances de Python et du Machine Learning pour gérer l'ingestion et la préparation des données, l'entraînement et le déploiement des modèles, et la supervision des solutions de Machine Learning avec Azure Machine Learning et MLflow.
Certification
Microsoft DP-100 (+ 200€)Les + de la formation
Un lien URL sera fourni aux stagiaires lors de la formation, afin de récupérer le support.
Le support de cours et les Microsoft Labs Online sont en anglais.
Partenaire / Éditeur
Programme de votre formation
-
#
M2i START AVANT VOTRE FORMATION
Contextualisation du projet de formation et prise en compte des besoins de chacun
- Positionnement initial de l’apprenant par rapport aux objectifs
- Définition des priorités et des objectifs personnels de l’apprenant
- Vidéos de mise en situation
- Accès au Chat interactif myM2i pour interagir avec les membres de son groupe
-
#
M2i LIVE VOTRE FORMATION ANIMÉE PAR NOTRE EXPERT ¹
Programme
Concevoir une solution de Machine Learning
Concevoir une stratégie d'ingestion de données pour des projets Machine Learning
- Identifier la source et le format de données
- Choisir comment distribuer des données aux workflows Machine Learning
- Concevoir une solution d'ingestion de données
Exemples de travaux pratiques (à titre indicatif)
- Concevoir une stratégie d'ingestion de données
- Etude de cas
- Réfléchir aux informations à recueillir pour faire une recommandation
Concevoir une solution de formation de modèle Machine Learning
- Définir le problème
- Obtenir et préparer les données
- Effectuer l'apprentissage du modèle
- Intégrer un modèle
- Analyser le modèle
Concevoir une solution de déploiement de modèle
- Comprendre comment le modèle est consommé
- Choisir un déploiement en temps réel ou par lots
Exemple de travaux pratiques (à titre indicatif)
- Concevoir une solution de déploiement
Concevoir une solution d'opérations de Machine Learning
- Explorer une architecture MLOps
- Conception pour la surveillance
- Conception pour le réentraînement
Explorer et configurer l'espace de travail Azure Machine Learning
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 et les composants Azure Machine Learning
- Effectuer l'apprentissage des modèles dans l'espace de travail
Exemple de travaux pratiques (à titre indicatif)
- Explorer l'espace de travail
- Créer un espace de travail Machine Learning
- Explorer Azure Machine Learning studio
Explorer les outils de développement pour l'interaction de l'espace de travail
- Découvrir le studio
- Explorer le kit de développement logiciel (SDK) Python
- Découvrir l'interface CLI
Exemple de travaux pratiques (à titre indicatif)
- Explorer les outils de développement
- Créer des ressources avec Azure CLI
- Explorer l'espace de travail Azure Machine Learning avec studio
- Utiliser le kit SDK Python pour effectuer l'apprentissage d'un modèle
Rendre les données disponibles dans Azure Machine Learning
- Comprendre les URI (Uniform Resource Identifier)
- Créer un datastore et un data asset
Exemples de travaux pratiques (à titre indicatif)
- Rendre des données disponibles dans Azure Machine Learning
- Explorer les datastores par défaut
- Créer datastore et un data asset
Utiliser des cibles de calcul dans Azure Machine Learning
- Choisir la cible de calcul appropriée
- Créer et utiliser une instance de calcul et un cluster de calcul
Exemples de travaux pratiques (à titre indicatif)
- Utiliser des ressources
- Créer et utiliser une instance de calcul et un cluster de calcul
Utiliser des environnements dans Azure Machine Learning
- Comprendre les environnements
- Explorer et utiliser des environnements curés
- Créer et utiliser des environnements personnalisés
Exemples de travaux pratiques (à titre indicatif)
- Utiliser des environnements
- Créer un environnement personnalisé
- Utiliser des environnements lors de l'exécution de travaux dans Azure Machine Learning
Tester Azure Machine Learning
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
- Evaluer et comparer des modèles
Exemples de travaux pratiques (à titre indicatif)
- Trouver le meilleur modèle de classification avec le Machine Learning automatisé
- Préparer les données
- Configurer une expérience de Machine Learning automatisé
- Exécuter un travail de Machine Learning automatisé
Suivre la formation du modèle dans les notebooks Jupyter avec MLflow
- Configurer MLflow pour le suivi des modèles dans les notebooks
- Effectuer l'apprentissage et le suivi des modèles dans les notebooks
Exemples de travaux pratiques (à titre indicatif)
- Suivi de l'apprentissage du modèle
- Effectuer l'apprentissage d'un modèle et le suivre avec la journalisation automatique et personnalisée
Optimiser l'apprentissage des modèles avec Azure Machine Learning
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
Exemples de travaux pratiques (à titre indicatif)
- Exécuter un script d'entraînement en tant que travail de commande
- Convertir un notebook en script
- Tester le script dans le terminal
- Exécuter un script en tant que travail de commande
- Utiliser des paramètres lors de l'exécution d'un script
Suivre la formation du modèle avec MLflow dans les travaux
- Suivre les métriques avec MLflow
- Afficher les métriques et évaluer les modèles
Exemples de travaux pratiques (à titre indicatif)
- Utiliser MLflow pour effectuer le suivi de travaux
- Effectuer l'apprentissage d'un modèle et le suivre avec la journalisation automatique et personnalisée
Effectuer le réglage des hyperparamètres avec Azure Machine Learning
- Définir un espace de recherche
- Configurer une méthode d'échantillonnage
- Configurer l'arrêt anticipé
- Utiliser un travail de balayage pour le réglage des hyperparamètres
Exemples de travaux pratiques (à titre indicatif)
- Exécuter un travail de balayage
- Exécuter un travail de commande
- Configurer un travail de balayage à l'aide du travail de commande comme base
- Envoyer le travail de balayage
Exécuter des pipelines dans Azure Machine Learning
- Créer des composants
- Créer un pipeline
- Exécuter un travail de pipeline
Exemple de travaux pratiques (à titre indicatif)
- Exécuter un travail de pipeline
- Créer des composants et un pipeline
- Exécuter et planifier un pipeline
Gérer et examiner les modèles dans Azure Machine Learning
Inscrire un modèle MLflow dans Azure Machine Learning
- Journaliser des modèles avec MLflow
- Comprendre le format de modèle MLflow
- Inscrire un modèle MLflow
Exemples de travaux pratiques (à titre indicatif)
- Journaliser et inscrire des modèles avec MLflow
- Journaliser des modèles avec MLflow
- Inscrire un modèle MLflow dans le registre de modèles Azure Machine Learning
Créer et explorer le tableau de bord d'Intelligence Artificielle (IA) responsable d'un modèle dans Azure Machine Learning
- Comprendre ce qu'est l'IA responsable
- Créer le tableau de bord IA responsable
- Evaluer le tableau de bord IA responsable
Exemples de travaux pratiques (à titre indicatif)
- Explorer le tableau de bord IA responsable
- Créer un pipeline avec le kit de développement logiciel (SDK) Python v2 pour créer un tableau de bord d'IA responsable
- Explorer les résultats du tableau de bord dans Azure Machine Learning studio
Déployer et consommer des modèles avec Azure Machine Learning
Déployer un modèle sur un point de terminaison en ligne managé
- Explorer les points de terminaison en ligne managés
- Déployer un modèle MLflow sur un point de terminaison en ligne managé
- Déployer un modèle sur un point de terminaison en ligne managé
- Tester des points de terminaison en ligne managés
Exemples de travaux pratiques (à titre indicatif)
- Déployer un modèle MLflow sur un point de terminaison en ligne
- Créer un point de terminaison en ligne managé
- Déployer un modèle MLflow
- Tester le point de terminaison
Déployer un modèle sur un point de terminaison par lots
- Comprendre et créer des points de terminaison par lots
- Déployer un modèle MLflow sur un point de terminaison par lots
- Déployer un modèle personnalisé sur un point de terminaison par lots
- Appeler les points de terminaison par lots et résoudre les problèmes
Exemples de travaux pratiques (à titre indicatif)
- Déployer un modèle MLflow sur un point de terminaison par lots
- Créer un point de terminaison par lots
- Déployer un modèle MLflow sur le point de terminaison
- Appeler le point de terminaison
Certification (en option)
- Prévoir l'achat d'un voucher en supplément
- Le passage de l'examen se fera (ultérieurement) dans un centre agréé Pearson Vue
- L'examen (en anglais) s'effectuera en ligne
Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.
-
#
M2i BOOST APRÈS VOTRE FORMATION
Réactivation et consolidation des acquis en situation de travail
- 30 jours d’accompagnement personnalisé sur myM2i inclus ²
- Ressources Boosters (Abonnement au M2i’Mag Soft Skills, formations offertes, invitations aux conférences d’actualité…)
- ¹ Les actions et les outils présentés dans ce programme le sont à titre indicatif et peuvent faire l’objet d'adaptation selon les niveaux, prérequis et besoins des apprenants. Les compétences clés de ce programme sont traitées à raison d'une compétence par demi-journée de formation.
- ² Sur myM2i, pendant 30 jours post-fin de formation, les apprenants disposent d’une messagerie sécurisée pour échanger, dans la limite de 4 sollicitations, avec leur formateur.
Modalités, méthodes et moyens pédagogiques
Formation délivrée en présentiel ou distanciel* (blended-learning, e-learning, classe virtuelle, présentiel à distance).
Le formateur alterne entre méthode** démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation).
Variables suivant les formations, les moyens pédagogiques mis en oeuvre sont :
- Ordinateurs Mac ou PC (sauf pour certains cours de l'offre Management), connexion internet fibre, tableau blanc ou paperboard, vidéoprojecteur ou écran tactile interactif (pour le distanciel)
- Environnements de formation installés sur les postes de travail ou en ligne
- Supports de cours et exercices
En cas de formation intra sur site externe à M2i, le client s'assure et s'engage également à avoir toutes les ressources matérielles pédagogiques nécessaires (équipements informatiques...) au bon déroulement de l'action de formation visée conformément aux prérequis indiqués dans le programme de formation communiqué.
* nous consulter pour la faisabilité en distanciel
** ratio variable selon le cours suivi
Modalités d’évaluation des acquis
- En cours de formation, par des études de cas ou des travaux pratiques
- Et, en fin de formation, par un questionnaire d'auto-évaluation et/ou une certification éditeur (proposée en option)
Accessibilité de la formation
Le groupe M2i s'engage pour faciliter l'accessibilité de ses formations. Toutes nos formations sont accessibles aux personnes en situation de handicap : les détails de l'accueil des personnes sont consultables sur la page Accueil PSH.
Modalités et délais d’accès à la formation
Les formations M2i sont disponibles selon les modalités proposées sur la page programme. Les inscriptions sont possibles jusqu'à 48 heures ouvrées avant le début de la formation. Dans le cas d'une formation financée par le CPF, ce délai est porté à 11 jours ouvrés.