Formation Développer et exploiter des algorithmes d'apprentissage automatique avec Azure ML

Programme de la formation
Développer et exploiter des algorithmes d'apprentissage automatique avec Azure ML

• Introduction à Azure Machine Learning et écosystème

  - Présentation d'Azure ML Studio et services
  - Comprendre les rôles et services clés d'Azure ML
  - Architecture générale et composants principaux

• Préparation des données pour l'apprentissage automatique

  - Importation et ingestion de données dans Azure ML
  - Nettoyage et prétraitement des données (valeurs manquantes, outliers)
  - Feature Engineering et sélection de variables

• Exploration et visualisation des données (EDA)
• Introduction aux algorithmes de Machine Learning

  - Rappels sur les types d'apprentissage (supervisé, non supervisé)
  - Présentation des algorithmes classiques (linéaire, logistique, arbre)
  - Comprendre les concepts de sur-apprentissage et sous-apprentissage

• Entraînement de modèles de régression dans Azure ML

  - Configuration et exécution d'expériences de régression
  - Choix et optimisation des hyperparamètres
  - Évaluation des performances de modèles de régression

• Entraînement de modèles de classification dans Azure ML

  - Implémentation d'algorithmes de classification (SVM, Forêt Aléatoire)
  - Gestion des jeux de données déséquilibrés
  - Métriques d'évaluation de classification (précision, rappel, F1-score)

• Introduction à l'apprentissage non supervisé (clustering)

  - Concepts et applications du clustering (K-Means, DBSCAN)
  - Exécution d'expériences de clustering dans Azure ML
  - Interprétation des résultats et choix du nombre de clusters

• Déploiement de modèles en tant que services web

  - Concepts d'endpoint et d'API REST
  - Déploiement d'un modèle entraîné via Azure ML
  - Test de l'API de scoring du modèle

• Surveillance et gestion des modèles déployés

  - Journalisation et monitoring des performances des modèles
  - Mise à jour et versioning des modèles déployés
  - Gestion des infrastructures de déploiement (compute instances, endpoints)

• MLOps et cycle de vie du Machine Learning
• Introduction aux modèles pré-entraînés et Azure Cognitive Services

  - Utilisation de modèles pré-entraînés dans Azure ML
  - Intégration avec les Cognitive Services (vision, langage)
  - Cas d'usage et applications pratiques

• Bonnes pratiques et cas d'usage avancés

  - Optimisation des coûts sur Azure ML
  - Sécurité et conformité dans Azure ML
  - Études de cas concrets et perspectives futures