Microsoft - DP 100: Designing and Implementing a Data Science Solution on Azure
Besoin d’adapter cette formation à vos besoins ?
N’hésitez pas à nous contacter afin d’obtenir un devis sur mesure !
Formation créée le 03/08/2022.
Version du programme : 1
Programme de la formation
Cette formation permet d’acquérir les connaissances nécessaires pour utiliser les services Azure afin de développer, préparer et déployer des solutions de Machine Learning. Après avoir présenté les services d’Azure supportant la Data Science, vous aborderez et pratiquerez les services de Data Science proposé dans Azure. Cette formation est orientée Microsoft Azure et ne fournit pas les connaissances nécessaires pour réaliser de la Data Science. Il suppose que les stagiaires ont déjà ces connaissances.
Objectifs de la formation
- Gérer les ressources Azure pour le machine learning
- Exécuter des expériences et entraîner des modèles
- Déployer et opérationnaliser des solutions de machine learning
- Mettre en oeuvre un apprentissage automatique responsable
Profil des bénéficiaires
Pour qui
- Data engineers, Data scientists
Prérequis
- Les participants doivent avoir une expertise en la matière en appliquant la science des données et l'apprentissage automatique pour mettre en oeuvre et exécuter des charges de travail d'apprentissage automatique sur Azure. Les participants doivent avoir des connaissances et de l'expérience en science des données et en utilisant Azure Machine Learning et Azure Databricks.
- Avoir suivi la formation « DP-900 Microsoft Azure Data Fundamentals » ou un niveau équivalent est recommandé.
Contenu de la formation
-
Créer un espace de travail Azure Machine Learning
- Créer un espace de travail Azure Machine Learning
- Configurer les paramètres de l'espace de travail
- Gérer un espace de travail en utilisant Azure Machine Learning studio
-
Gérer les données dans un espace de travail Azure Machine Learning
- Sélectionnez les ressources de stockage Azure
- Enregistrer et maintenir des magasins de données
- Créer et gérer des ensembles de données
-
Gérer le calcul pour les expériences dans Azure Machine Learning
- Déterminer les spécifications de calcul appropriées pour une charge de travail de formation
- Créer des cibles de calcul pour les expériences et la formation
- Configurer les ressources de calcul attachées, y compris Azure Databricks
- Surveiller l'utilisation du calcul
-
Implémenter la sécurité et le contrôle d'accès dans Azure Machine Learning
- Déterminer les exigences d'accès et mapper les exigences aux rôles intégrés
- Créer des rôles personnalisés
- Gérer l'appartenance aux rôles
- Gérer les informations d'identification à l'aide d'Azure Key Vault
-
Configurer un environnement de développement Azure Machine Learning
- Créer des instances de calcul
- Partager des instances de calcul
- Accéder aux espaces de travail Azure Machine Learning à partir d'autres environnements de développement
-
Configurer un espace de travail Azure Databricks
- Créer un espace de travail Azure Databricks
- Créer un cluster Azure Databricks
- Créer et exécuter des blocs-notes dans Azure Databricks
- Configurer lien et espace de travail Azure Databricks vers un espace de travail Azure Machine Learning
-
Créer des modèles à l'aide du concepteur Azure Machine Learning
- Créer un pipeline de formation à l'aide du concepteur Azure Machine Learning
- Ingérer des données dans un pipeline de concepteur
- Utiliser des modules de conception pour définir un flux de données de pipeline
- Utiliser des modules de code personnalisés dans le concepteur
-
Exécuter des scripts d'entraînement de modèle
- Créer et exécuter une expérience à l'aide du SDK Azure Machine Learning
- Configurer les paramètres d'exécution d'un script
- Consommer des données d'un ensemble de données dans une expérience en utilisant Azure Machine Learning SDK
- Exécuter un script de formation sur Azure Databricks compute
- Exécuter du code pour entraîner un modèle dans un bloc-notes Azure Databricks
-
Générer des métriques à partir d'une exécution de test
- Enregistrer les métriques d'une expérimentation
- Récupérer et afficher les résultats de l'expérience
- Utiliser les journaux pour résoudre les erreurs d'exécution d'expérience
- Utiliser MLflow pour suivre les expériences
- Suivre les expériences en cours d'exécution dans Azure Databricks
-
Utiliser l'apprentissage automatique automatisé pour créer des modèles optimaux
- Utiliser l'interface Automated ML dans Azure Machine Learning Studio
- Utiliser le ML automatisé à partir du SDK Azure Machine Learning
- Sélectionnez les options de pré-traitement
- Sélectionner les algorithmes à rechercher
- Définir une métrique principale
- Obtenir des données pour une exécution de ML automatisée
- Récupérer le meilleur modèle
-
Ajuster les hyperparamètres avec Azure Machine Learning
- Sélectionner une méthode d'échantillonnage
- Définir l'espace de recherche
- Définir la métrique principale
- Définir les options de résiliation anticipée
- Trouver le modèle qui a des valeurs d'hyperparamètres optimales
-
Sélectionner le calcul pour le déploiement du modèle
- Considérer la sécurité pour les services déployés
- Evaluer les options de calcul pour le déploiement
-
Déployer un modèle en tant que service
- Configurer les paramètres de déploiement
- Déployer un modèle enregistré
- Déployer un modèle formé dans Azure Databricks sur un point de terminaison Azure Machine Learning
- Consommer un service déployé
- Résoudre les problèmes de conteneur de déploiement
-
Gérer les modèles dans Azure Machine Learning
- Enregistrer un modèle entraîné
- Surveiller l'utilisation du modèle
- Surveiller la dérive des données
-
Créer un pipeline Azure Machine Learning pour l'inférence par lots
- Configurer un ParallelRunStep
- Configurer le calcul pour un pipeline d'inférence par lots
- Publier un pipeline d'inférence par lots
- Exécuter un pipeline d'inférence par lots et obtenir des sorties
- Obtenir les sorties d'un ParallelRunStep
-
Publier un pipeline de concepteur Azure Machine Learning en tant que service Web
- Créer une ressource de calcul cible
- Configurer un pipeline d'inférence
- Consommer un point de terminaison déployé
-
Implémenter des pipelines à l'aide du SDK Azure Machine Learning
- Créer un pipeline
- Transmettre des données entre les étapes d'un pipeline
- Exécuter un pipeline
- Surveiller les exécutions de pipeline
-
Appliquer les pratiques ML Ops
- Déclencher un pipeline Azure Machine Learning à partir d'Azure DevOps
- Automatiser le recyclage du modèle en fonction de nouveaux ajouts de données ou de modifications de données
- Refactoriser les cahiers en scripts
- Implémenter le contrôle de code source pour les scripts
-
Utiliser des explicateurs de modèles pour interpréter les modèles
- Sélectionner un interprète modèle
- Générer des données sur l'importance des fonctionnalités
-
Décrire les considérations d'équité pour les modèles
- Evaluer l'équité du modèle en fonction de la disparité de prédiction
- Atténuer l'injustice du modèle
-
Décrire les considérations relatives à la confidentialité des données
- Décrire les principes de confidentialité différentielle
- Spécifier les niveaux de bruits acceptables dans les données et les effets sur la vie privée
Suivi de l'exécution et évaluation des résultats
- Feuilles de présence.
- Questions orales ou écrites (QCM).
- Mises en situation.
- Formulaires d'évaluation de la formation.
- Certificat de réalisation de l’action de formation.
Ressources techniques et pédagogiques
- Accueil des apprenants dans une salle dédiée à la formation.
- Documents supports de formation projetés.
- Exposés théoriques
- Etude de cas concrets
- Quiz en salle
- Mise à disposition en ligne de documents supports à la suite de la formation.
Modalités de certification
Détails sur la certification
- Cette formation ouvre la porte à la certification Microsoft « DP-100 – Designing and Implementing a Data Science Solution on Azure ».
Capacité d'accueil
Entre 3 et 10 apprenants