Formation Microsoft Azure Machine Learning

Jour 1 : Introduction et Prise en Main de l'Interface Azure ML

• Présentation de l'écosystème Azure :

  • Comprendre les services associés au machine learning.
  • Découvrir les principes de facturation à l'usage et optimiser les coûts.

• Découverte de l'interface Azure Machine Learning Studio :

  • Navigation et compréhension de l’environnement de travail.
  • Création de jeux de données à partir de fichiers locaux, bases SQL ou Azure Data Lake.
  • Connexion aux sources de données externes et gestion des datasets.

• Premiers pas avec une expérience de machine learning :

  • Construction et exécution d’un pipeline d’apprentissage automatique.
  • Déploiement d’un web service prédictif et test des prédictions.
  • Publication et partage d'algorithmes via le Azure AI Marketplace.

Cas pratique : Création d'un modèle de prédiction simple avec déploiement d’un web service.

Jour 2 : Maîtrise des Algorithmes de Machine Learning dans Azure ML

• Sélection et application des algorithmes :

  • Utilisation de l’arbre de décision pour choisir l’algorithme adapté.
  • Détection et gestion des valeurs aberrantes et des valeurs manquantes.
  • Techniques de Feature Engineering et sélection de variables pertinentes.

• Paramétrage et entraînement de modèles :

  • Modèles de régression : linéaire, logistique et ordinale.
  • Algorithmes de classification : arbres de décision, forêts aléatoires, réseaux de neurones, SVM.
  • Modèles de clustering : déterminer le nombre optimal de clusters et interpréter les résultats.

• Évaluation et comparaison des modèles :

  • Utilisation des métriques de performance (précision, rappel, F1-score).
  • Interprétation des courbes ROC et des matrices de confusion.
  • Optimisation et ajustement des hyperparamètres.

Cas pratique : Construction et comparaison de plusieurs modèles prédictifs à partir d’un jeu de données réel.

Jour 3 : Traitement Avancé et Déploiement des Modèles

• Traitement et modélisation de données spécifiques :

  • Analyse et modélisation de données textuelles : vectorisation avec TF-IDF et Word Embeddings.
  • Application d’algorithmes comme Vowpal Wabbit pour le Online Learning.
  • Analyse d’images avec des modèles pré-entraînés et extraction de caractéristiques.

• Mise en production et automatisation :

  • Création et déploiement de pipelines d’apprentissage automatique.
  • Automatisation des flux de travail et programmation d’entraînements récurrents.
  • Surveillance et maintenance des modèles déployés.

• Sécurité et gouvernance des modèles :

  • Gestion des accès et contrôle des autorisations.
  • Utilisation de Azure Monitor et MLflow pour suivre les performances.

Cas pratique : Déploiement d’un modèle de traitement d’image et mise en place d’un système de suivi des performances.

Profils :

Data scientist, data analyst...

Prérequis :

• Connaissances statistiques de base (centrage, dispersion, corrélation, tests d’hypothèses)
• Connaissance de base du principe des API
• Quelques notions de programmation en R ou Python peuvent être utiles