logo

Microsoft Certified: Azure Data Scientist Associate (DP100)

Cette formation de trois jours découvre comment exploiter des solutions d'apprentissage automatique à l'échelle du cloud à l'aide d'Azure Machine Learning. Ce cours vous apprend à tirer parti de vos connaissances existantes de Python et de l'apprentissage automatique pour gérer l'ingestion et la préparation des données, la formation et le déploiement de modèles et la surveillance des solutions d'apprentissage automatique dans Microsoft Azure.

Il s'agit d'une préparation complète à l'examen DP-100: Designing and Implementing a Data Science Solution on Azure pour l'obtention de la certification Microsoft Certified: Azure Data Scientist Associate.

Microsoft

Un tarif préférentiel (-15%) s'applique au coût régulier pour les organismes à but non lucratif, ainsi qu'au secteur gouvernemental. De plus, il vous est possible de bénéficier d'avantages additionnels par l'entremise d'une entente cadre lorsque votre besoin est de former plusieurs personnes ou équipes de votre entreprise. Communiquez avec nous pour les détails.

Classe publique

Classe virtuelle
Date planifiéeDate planifiée
11 Octobre 2022
2125 $
 
Français
Classe virtuelle
Date planifiéeDate planifiée
20 Mars 2023
2125 $
 
Français
2125$
Durée: 
3 jours / 21 heures

Classe privée

Classe virtuelle
Nombre de participants minimum: 4
3 jours / 21 heures
Prix sur demande
français ou anglais
Plan de formation: 

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

Module 1: Premiers pas avec Azure Machine Learning

Dans ce module, vous apprendrez à provisionner un espace de travail Azure Machine Learning et à l'utiliser pour gérer les ressources de machine learning telles que les données, le calcul, le code de formation de modèle, les métriques enregistrées et les modèles formés. Vous apprendrez à utiliser l'interface Web du studio Azure Machine Learning ainsi que le SDK Azure Machine Learning et des outils de développement tels que Visual Studio Code et Jupyter Notebooks pour travailler avec les actifs de votre espace de travail.

  • Présentation d'Azure Machine Learning
  • Travailler avec Azure Machine Learning

Module 2: Apprentissage automatique sans code

Ce module présente les outils visuels d'apprentissage automatique et de concepteur, que vous pouvez utiliser pour former, évaluer et déployer des modèles d'apprentissage automatique sans écrire de code.

  • Apprentissage automatique automatisé
  • Concepteur Azure Machine Learning

Module 3: Exécution d'expériences et de modèles d'entraînement

Dans ce module, vous commencerez avec des expériences qui encapsulent le traitement des données et le code de formation de modèle, et les utiliserez pour former des modèles d'apprentissage automatique.

  • Introduction aux expériences
  • Entraînement et enregistrement des modèles

Module 4: Travailler avec des données

Les données sont un élément fondamental de toute charge de travail de machine learning. Dans ce module, vous apprendrez donc à créer et à gérer des banques de données et des jeux de données dans un espace de travail Azure Machine Learning, et à les utiliser dans des expériences de formation de modèles.

  • Travailler avec les magasins de données
  • Travailler avec des ensembles de données

Module 5: Travailler avec le calcul

L'un des principaux avantages du cloud est la possibilité de tirer parti des ressources de calcul à la demande et de les utiliser pour faire évoluer les processus d'apprentissage automatique dans une mesure qui serait irréalisable sur votre propre matériel. Dans ce module, vous apprendrez à gérer des environnements d'expérimentation qui garantissent une cohérence d'exécution cohérente pour les expériences, et à créer et utiliser des cibles de calcul pour les exécutions d'expérimentation.

  • Travailler avec des environnements
  • Travailler avec des cibles de calcul

Module 6: Orchestration des opérations avec des pipelines

Maintenant que vous comprenez les bases de l'exécution de charges de travail en tant qu'expériences qui exploitent des actifs de données et des ressources de calcul, il est temps d'apprendre à orchestrer ces charges de travail sous forme de pipelines d'étapes connectées. Les pipelines sont essentiels pour implémenter une solution efficace d'opérationnalisation de l'apprentissage automatique (ML Ops) dans Azure, vous allez donc découvrir comment les définir et les exécuter dans ce module.

  • Introduction aux pipelines
  • Publication et exécution de pipelines

Module 7: Déploiement et consommation de modèles

Les modèles sont conçus pour aider à la prise de décision par le biais de prédictions, ils ne sont donc utiles que lorsqu'ils sont déployés et disponibles pour une application à consommer. Dans ce module, apprenez à déployer des modèles pour l'inférence en temps réel et pour l'inférence par lots.

  • Inférence en temps réel
  • Inférence par lots
  • Intégration et livraison continues

Module 8: Formation de modèles optimaux

À ce stade du cours, vous avez appris le processus de bout en bout pour la formation, le déploiement et l'utilisation des modèles d'apprentissage automatique ; mais comment vous assurez-vous que votre modèle produit les meilleurs résultats prédictifs pour vos données ? Dans ce module, vous découvrirez comment vous pouvez utiliser le réglage des hyperparamètres et l'apprentissage automatique pour tirer parti du calcul à l'échelle du cloud et trouver le meilleur modèle pour vos données.

  • Réglage des hyperparamètres
  • Apprentissage automatique automatisé

Module 9: Apprentissage automatique responsable

Les scientifiques des données ont le devoir de s'assurer qu'ils analysent les données et forment des modèles d'apprentissage automatique de manière responsable ; respecter la vie privée des individus, atténuer les préjugés et assurer la transparence. Ce module explore certaines considérations et techniques pour appliquer des principes d'apprentissage automatique responsables.

  • Confidentialité différentielle
  • Interprétabilité du modèle
  • Justice

Module 10: Modèles de surveillance

Une fois qu'un modèle a été déployé, il est important de comprendre comment le modèle est utilisé en production et de détecter toute dégradation de son efficacité due à la dérive des données. Ce module décrit les techniques de surveillance des modèles et de leurs données.

  • Surveillance des modèles avec Application Insights
  • Surveillance de la dérive des données

*La littérature fournie est en langue anglaise.

Exclusivités: 
  • Un an d'accès à l'enregistrement vidéo de votre cours
  • 180 jours d'accessibilité au laboratoire technique sur Internet
  • Bon de participation à l'examen inclus
  • Matériel de cours accessible au format électronique
  • Abonnement d'un an à la bibliothèque All Access Pass contenant des centaines de lab. pratiques complémentaires
  • Certificat de présence officiel Microsoft
Pré-requis: 

Avant d'assister à cette formation, les étudiants doivent avoir:

  • obtenu la certification Microsoft Certified: Azure Data Fundamentals (DP900) ou avoir les connaissances équivalentes.
  • compris la science des données, y compris la préparation des données, la formation des modèles et l’évaluation des modèles en compétition pour choisir le meilleur.
  • programmé dans la langue de programmation Python et utilisé les bibliothèques Python: Pandas, Scikit-learn, Matplotlib et Seaborn.
Informations sur la certification: 

Caractéristiques de l'examen:

  • Code de l'examen: DP-100
  • Coût: 0$ (inclus dans votre formation)
  • Compétences mesurées
    • Mettre en place un espace de travail Azure Machine Learning
    • Exécuter des expériences et former les modèles 
    • Optimiser et gérer les modèles 
    • Déployer et consommer les modèles 
  • Tous les détails... 

Contactez-nous pour des informations sur le prix:

Eccentrix
Office: 1-888-718-9732
E-mail: info@eccentrix.ca

2000 McGill College Avenue, 6e étage,
Montréal, Québec H3A 3H3
www.eccentrix.ca