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

01.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

02.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

03.Exploration et visualisation des données (EDA)

04.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

05.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

06.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)

07.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

08.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

09.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)

10.MLOps et cycle de vie du Machine Learning

11.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

12.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