Créer des solutions d’IA avec Azure Machine Learning

Intermédiaire
Data Scientist
Étudiant
Azure
Machine Learning
Portail Azure

Azure Machine Learning est une plateforme cloud pour l’entraînement, le déploiement, la gestion et la supervision des modèles Machine Learning. Découvrez comment utiliser le SDK Python Azure Machine Learning pour créer des solutions d’intelligence artificielle adaptées à l’entreprise.

Prérequis

Ce parcours d’apprentissage suppose que vous avez une expérience de la formation de modèles Machine Learning avec Python et des infrastructures open source telles que Scikit-Learn, PyTorch et Tensorflow. Dans le cas contraire, vous devriez effectuer le parcours d’apprentissage Créer des modèles Machine Learning avant de commencer celui-ci.

Modules de ce parcours d’apprentissage

Azure Machine Learning fournit une plateforme cloud pour entraîner, déployer et gérer des modèles Machine Learning.

Découvrez comment utiliser Azure Machine Learning pour entraîner un modèle et l’inscrire dans un espace de travail.

Les données constituent la base du Machine Learning. Dans ce module, vous allez apprendre à utiliser des magasins de données et des jeux de données dans Azure Machine Learning, ce qui vous permet de créer des solutions de formation de modèle évolutives basées sur le cloud.

L’un des principaux avantages du cloud est la possibilité d’utiliser des ressources de calcul évolutives à la demande pour le traitement économique de données volumineuses. Dans ce module, vous allez apprendre à utiliser le calcul sur le cloud dans Azure Machine Learning pour exécuter des expérimentations de formation à grande échelle.

L’orchestration de l’entraînement en machine learning avec des pipelines est un élément clé de DevOps pour le machine learning. Dans ce module, vous allez apprendre à créer, publier et exécuter des pipelines pour entraîner des modèles dans Azure Machine Learning.

Découvrez comment inscrire et déployer des modèles Machine Learning avec le service Azure Machine Learning.

Des modèles Machine Learning sont souvent utilisés pour générer des prédictions à partir d’un grand nombre d’observations dans un processus de traitement par lots. Pour cela, vous pouvez utiliser Azure Machine Learning afin de publier un pipeline d’inférence de lot.

Il peut être difficile de choisir des valeurs d’hyperparamètres optimales pour la formation du modèle et, en général, cela implique un grand nombre d’essais et d’erreurs. Avec Azure Machine Learning, vous pouvez tirer parti des expériences à l’échelle du cloud pour régler les hyperparamètres.

Découvrez comment utiliser le Machine Learning automatisé dans Azure Machine Learning afin de trouver le meilleur modèle pour vos données.

Les scientifiques des données ont une responsabilité éthique (et souvent juridique) de protéger les données sensibles. La confidentialité différentielle est une approche des plus modernes qui permet une analyse utile tout en protégeant les valeurs des données identifiables individuellement.

Aujourd’hui, de nombreuses décisions prises par les organisations et les systèmes automatisés sont basées sur des prédictions effectuées par des modèles Machine Learning. Il est de plus en plus important de comprendre les facteurs qui influencent les prédictions faites par ces modèles.

Les modèles Machine Learning peuvent souvent comporter des biais non intentionnels qui se traduisent par un manque d’impartialité. Fairlearn et Azure Machine Learning vous permettent de détecter et d’atténuer la partialité dans vos modèles.

Une fois qu’un modèle de Machine Learning a été déployé en production, il est important de comprendre comment il est utilisé par la capture et l’affichage des données de télémétrie.

La modification des tendances dans les données au fil du temps peut réduire l’exactitude des prédictions effectuées par un modèle. La surveillance de cette dérive des données est un moyen important de garantir que votre modèle continue de prédire avec précision.