Microsoft Certified: Azure Data Scientist Associate (DP100)

Concevoir et mettre en œuvre une solution Data Science sur Azure (DP-100T01)

Module 1: Concevoir une stratégie d’ingestion de données pour des projets Machine Learning

• Identifier votre source de données et votre format
• Choisir comment distribuer des données aux workflows Machine Learning
• Concevoir une solution d’ingestion de données

Module 2: Concevoir une solution de formation de modèle Machine Learning

• Identifier les tâches Machine Learning
• Choisir un service pour effectuer l'apprentissage d’un modèle Machine Learning
• Décider entre les options de calcul

Module 3: Concevoir une solution de déploiement de modèle

• Comprendre comment le modèle est consommé
• Choisir un déploiement en temps réel ou par lots

Module 4: 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 Azure Machine Learning
• Identifier les actifs Azure Machine Learning
• Former des modèles dans l’espace de travail

Module 5: Explorer les outils de développement pour l’interaction de l’espace de travail

• Explorer le studio
• Explorer le SDK Python
• Explorer l’interface CLI

Module 6: Rendre les données disponibles dans Azure Machine Learning

• Comprendre les URI
• Créer une banque de données
• Créer une ressource de données

Module 7: Utiliser des cibles de calcul dans Azure Machine Learning

• Créer et utiliser une instance de calcul
• Créer et utiliser une instance de calcul
• Créer et utiliser un cluster de calcul

Module 8: Utiliser des environnements dans Azure Machine Learning

• Comprendre les environnements
• Explorer et utiliser des environnements curés
• Créer et utiliser des environnements personnalisés

Module 9: 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
• Évaluer et comparer des modèles

Module 10: Suivre la formation du modèle dans les notebooks Jupyter avec MLflow

• Configurer MLflow pour le suivi des modèles dans les notebooks
• Former et suivre des modèles dans des notebooks

Module 11: 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

Module 12: Suivre la formation du modèle avec MLflow dans les travaux

• Suivre les métriques avec MLflow
• Afficher les métriques et évaluer les modèles

Module 13: Exécuter des pipelines dans Azure Machine Learning

• Créer des composants
• Créer un pipeline
• Exécuter un travail de pipeline

Module 14: Effectuer le réglage des hyperparamètres avec Azure Machine Learning

• Définir un espace de recherche
• Configurer une méthode d’échantillonnage
• Configuration de l’arrêt anticipé
• Utiliser un travail de balayage pour le réglage des hyperparamètres

Module 15: Déployer un modèle sur un point de terminaison en ligne managé

• Explorer les points de terminaison en ligne managés
• Déployer votre 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

Module 16: Déployer un modèle sur un point de terminaison de lot

• Comprendre et créer des points de terminaison de lot
• Déployer votre modèle MLflow sur un point de terminaison de lot
• Déployer un modèle personnalisé sur un point de terminaison de lot
• Appeler les points de terminaison de lot et résoudre les problèmes

*La littérature fournie est en langue anglaise.