Designing and Implementing Data Science Solutions on Microsoft Azure DP100

• Connaissances de base en Python, statistiques, machine learning (algorithmes supervisés et non supervisés)
• Compréhension des concepts d’entraînement de modèles et de validation
• Notions d’Azure ou expérience préalable avec des services cloud

• Concevoir et mettre en œuvre des flux de travail de science des données dans Azure
• Utiliser Azure Machine Learning pour la préparation des données, l’entraînement, le déploiement et la surveillance des modèles
• Appliquer l’ingénierie des caractéristiques, l’optimisation des hyperparamètres et la validation croisée
• Mettre en œuvre MLOps pour l’automatisation et la reproductibilité
• Déployer des modèles sous forme de services web sécurisés, scalable et traçables

1 – Introduction à Azure Machine Learning

Présentation du service Azure Machine Learning (AML)

• Création d’un espace de travail (workspace), gestion des ressources
• Utilisation des portails: studio, SDK Python, CLI

2 – Préparer les données pour le Machine Learning

Chargement et exploration des données dans Azure

• Nettoyage, normalisation, traitement des valeurs manquantes
• Création d’ensembles de données Azure ML, data labeling

3 – Développer des modèles de machine learning

Expériences d’entraînement avec le SDK ou l’interface visuelle

• Entraînement d’un modèle avec Scikit-learn ou TensorFlow
• Validation croisée, évaluation avec des métriques (précision, rappel, F1, ROC)

4 – Exécution d’expériences de manière évolutive dans le cloud

Utilisation des compute targets (clusters de calcul, instances d’entraînement)

• Soumission d’expériences ML en parallèle, gestion des logs et résultats
• Tracking automatique avec MLflow et AML

5 – Implémenter l’ingénierie des caractéristiques (feature engineering)

Création de pipelines de transformation

• Sélection de caractéristiques pertinentes (SelectKBest, PCA, etc.)
• Encodage catégoriel, normalisation, gestion des outliers

6 – Automatiser l’entraînement avec AutoML

Définir des tâches AutoML: classification, régression, prévision de séries temporelles

• Configurer les itérations, critères d’arrêt, métriques
• Analyser les modèles générés, les métriques, les explications (SHAP, LIME)

7 – Gérer les pipelines de ML avec MLOps

Création et exécution de pipelines ML

• Versionnage des datasets, des modèles, des expériences
• Intégration continue et déploiement continu (CI/CD) avec Azure DevOps

8 – Déployer des modèles dans Azure

Déploiement de modèles en temps réel (ACI, AKS) ou par lot

• Création d’endpoints REST sécurisés, configuration de quotas
• Tests, surveillance, et mise à l’échelle du service

9 – Surveiller et réentraîner les modèles déployés

Capture de données d’inférence pour audit ou réentraînement

• Surveillance des dérives de données (data drift)
• Déclenchement de workflows automatiques pour la mise à jour de modèles

10 – Mettre en œuvre des solutions de bout en bout avec MLOps

Utiliser les outils de collaboration (Git, MLflow, Azure DevOps)

• Sécuriser les solutions: Identity, RBAC, private endpoints
• Bonnes pratiques de production: modularité, audit, traçabilité

• Cours théoriques basés sur le programme officiel Microsoft Learn
• Laboratoires pratiques avec Azure Machine Learning et Jupyter Notebooks
• Utilisation de Python, Scikit-learn, Pandas, PyTorch, TensorFlow dans Azure
• Études de cas réels et évalua

Certificat de participation

Session en présentiel ou à distance