DP-100 Conception et implémentation d’une solution de science des données sur Azure
Certification DP100
1,880.00€
/personne
La formation DP100 Conception et implémentation d’une solution de science des données sur Azure est une formation professionnelle destinée aux professionnels souhaitant acquérir les compétences nécessaires pour concevoir et mettre en œuvre une solution de science des données sur la plateforme de cloud computing Microsoft Azure. La science des données est une discipline qui permet de collecter, de stocker, de traiter et de visualiser de grandes quantités de données afin de découvrir de nouvelles insights et de prendre des décisions informées.
Au cours de cette formation, les participants apprendront les concepts de base de la science des données et comment les mettre en œuvre sur Microsoft Azure. Ils apprendront également à utiliser les outils et technologies disponibles sur la plateforme pour collecter, stocker, traiter et visualiser de grandes quantités de données, ainsi qu’à utiliser ces données pour prendre des décisions informées.
La formation DP100 Conception et implémentation d’une solution de science des données sur Azure s’adresse aux professionnels souhaitant comprendre les enjeux de la science des données et mettre en œuvre les bonnes pratiques pour concevoir et mettre en œuvre une solution de science des données sur la plateforme de cloud computing Microsoft Azure. Elle est particulièrement recommandée pour les professionnels du développement de logiciels, du marketing, du financement, de la gestion de projet et de la vente, ainsi que pour les responsables de la prise de décision au sein de leur organisation.
La formation DP100 Conception et implémentation d’une solution de science des données sur Azure est dispensée par des formateurs professionnels ayant une solide expérience de la science des données sur Microsoft Azure dans diverses entreprises et organisations. Les participants bénéficieront d’un apprentissage pratique grâce à des exercices et des cas pratiques qui leur permettront de mettre en œuvre les compétences acquises au cours de la formation. En conclusion, la formation DP100 Conception et implémentation d’une solution de science des données sur Azure est une formation de choix pour les professionnels souhaitant se spécialiser dans la conception et la mise en œuvre de solutions de science des données sur la plateforme de cloud computing Microsoft Azure.
Gérer les ressources Azure pour l’apprentissage automatique
Créer un espace de travail Azure Machine Learning
- Créer un espace de travail Azure Machine Learning
- Configurer les paramètres de l’espace de travail
- Gérer un espace de travail à l’aide d’Azure Machine Learning Studio
Gérer les données dans un espace de travail Azure Machine Learning
- Sélectionner les ressources de stockage Azure Inscrire
- Gérer les banques de données
- Créer et gérer des jeux de données
Gérer le calcul pour les expériences dans Azure Machine Learning
- Déterminer les spécifications de calcul appropriées pour une charge de travail de formation
- Créer des cibles de calcul pour les expériences
- Configurer la formation Ressources de calcul attachées, y compris Azure Databricks
- Surveiller l’utilisation du calcul
Implémenter la sécurité et le contrôle d’accès dans Azure Machine Learning
- Déterminer les conditions d’accès et mapper les exigences aux rôles intégrés
- Créer des rôles personnalisés
- Gérer l’appartenance au rôle
- Gérer les informations d’identification à l’aide d’Azure Key Vault
Configurer un environnement de développement Azure Machine Learning
- Créer des instances de calcul
- Partager des instances de calcul
- Accéder aux espaces de travail Azure Machine Learning à partir d’autres environnements de développement
Configurer un espace de travail Azure Databricks
- Créer un espace de travail Azure Databricks
- Créer un cluster Azure Databricks
- Créer et exécuter des blocs-notes dans le lien Azure Databricks et
- Lier l’espace de travail Azure Databricks à un espace de travail Azure Machine Learning
Exécuter des expériences et former des modèles
Créer des modèles à l’aide du concepteur Azure Machine Learning
- Créer un pipeline de formation à l’aide du concepteur Azure Machine Learning
- Ingérer des données dans un pipeline de concepteur
- Utiliser des modules de concepteur pour définir un flux de données de pipeline
- Utiliser des modules de code personnalisés dans le concepteur
Exécuter des scripts de formation de modèle
- Créer et exécuter une expérience à l’aide du Kit de développement logiciel (SDK) Azure Machine Learning
- Configurer les paramètres d’exécution pour un script
- Consommer des données à partir d’un jeu de données dans une expérience à l’aide du Kit de développement logiciel (SDK) Azure Machine Learning
- Exécuter un script de formation sur le code d’exécution de calcul Azure Databricks pour entraîner un modèle dans un bloc-notes Azure Databricks
Générer des métriques à partir d’une expérience
- Exécuter des métriques de journal à partir d’une exécution d’expérience
- Récupérer et afficher les sorties d’expérience utiliser des journaux pour résoudre les erreurs d’exécution d’expérience
- Utiliser MLflow pour suivre les expériences suivre les expériences en cours d’exécution dans Azure Databricks
Utiliser Automated Machine Learning pour créer des modèles optimaux
- Utiliser l’interface AUTOMATED ML dans Azure Machine Learning studio
- Utiliser Automated ML à partir du Kit de développement logiciel (SDK) Azure Machine Learning
- Suivre les expériences en cours d’exécution dans Azure Databricks
- Sélectionner les options de prétraitement
- Sélectionner les algorithmes à rechercher
- Définir une métrique principale
- Obtenir des données pour une exécution automatisée de ML
- Récupérer le meilleur modèle
Régler les hyperparamètres avec Azure Machine Learning
- Sélectionner une méthode d’échantillonnage
- Définir l’espace de recherche
- Définir la métrique principale définir les options de terminaison anticipée
- Trouver le modèle qui a des valeurs d’hyperparamètre optimales
Déployer et opérationnaliser des solutions de machine learning
Sélectionner le calcul pour le déploiement de modèle
- Prendre en compte la sécurité pour les services déployés
- Évaluer les options de calcul pour le déploiement
Déployer un modèle en tant que service
- Configurer les paramètres de déploiement
- Déployer un modèle inscrit
- Déployer un modèle formé dans Azure Databricks sur un point de terminaison Azure Machine Learning
- Consommer un service déployé
- Résoudre les problèmes de conteneur de déploiement
Gérer les modèles dans Azure Machine Learning
- Inscrire un modèle formé
- Surveiller l’utilisation du modèle
- Surveiller la dérive des données
Créer un pipeline Azure Machine Learning pour l’inférence par lots
- Configurer un pipeline d’inférence par lots
- Configurer le calcul pour un pipeline d’inférence par lots
- Publier un pipeline d’inférence par lots
- Exécuter un pipeline d’inférence par lots
Obtenir des sorties Obtenir des sorties d’un pipeline de concepteur Azure Machine Learning en tant que service web
- Créer une ressource de calcul cible
- Configurer un pipeline d’inférence
- Consommer un point de terminaison déployé
Implémenter des pipelines à l’aide du Kit de développement logiciel (SDK) Azure Machine Learning
- Créer un pipeline
- Transmettre des données entre les étapes d’un pipeline
- Exécuter un pipeline
- Surveiller le pipeline
Exécuter Appliquer les pratiques ML Ops
- Déclencher un pipeline Azure Machine Learning à partir d’Azure DevOps
- Automatiser le recyclage des modèles en fonction de nouveaux ajouts de données ou de modifications de données refactoriser les blocs-notes en scripts
- Implémenter le contrôle de code source pour les scripts
Implémenter un apprentissage automatique responsable
Utiliser des explicatifs de modèle pour interpréter les modèles
- Sélectionner un interpréteur de modèle
- Générer des données d’importance des caractéristiques
Décrire les considérations d’équité pour les modèles
- Évaluer l’équité du modèle en fonction de la disparité des prédictions
- Atténuer l’iniquité du modèle
Décrire les considérations de confidentialité pour les données
- Décrire les principes de confidentialité différentielle
- Spécifier les niveaux acceptables de bruit dans les données et les effets sur la vie privée
Cette formation sera principalement constituée de théorie et d’ateliers techniques qui permettront d’être rapidement opérationnel.
Support : un support de cours officiel Microsoft en français sera remis aux participants au format électronique via la plateforme
Evaluation : les acquis sont évalués tout au long de la formation et en fin de formation par le formateur (questions régulières, travaux pratiques, QCM ou autres méthodes).
Formateur : le tout animé par un consultant-formateur expérimenté, nourri d’une expérience terrain, et accrédité Microsoft Certified Trainer.
Satisfaction : à l’issue de la formation, chaque participant répond à un questionnaire d’évaluation qui est ensuite analysé en vue de maintenir et d’améliorer la qualité de nos formations. Les appréciations que vous avez formulées font l’objet d’un enregistrement et d’une analyse qualitative de la formation et du formateur. ITEsystème formation dispose d’un processus qualité qui prend en considération les retours des participants afin d’être proactif quant à la solution corrective adaptée.
Nous veillons à ce que tous les objectifs de l’examen soient couverts en profondeur afin que vous soyez prêt pour toute question de l’examen. Nos tests pratiques sont rédigés par des experts de l’industrie en la matière. Ils travaillent en étroite collaboration avec les fournisseurs de certification pour comprendre les objectifs de l’examen, participer aux tests bêta et passer l’examen eux-mêmes avant de créer de nouveaux tests pratiques
Suivi : une feuille d’émargement par demi-journée de présence est signée par chacun des participants.
Cette formation peut être dispensée en mode présentiel comme en distanciel.
Elle prend en charge les compétences ci-dessous ; le pourcentage indique le poids relatif du module dans l’examen global. Plus vous vous concentrez sur des modules avec un pourcentage plus élevé, plus vous obtiendrez probablement plus de notes à l’examen.
Cet examen mesure votre capacité à accomplir les tâches techniques suivantes :
- Gérer les ressources Azure pour l’apprentissage automatique (25–30%)
- Exécuter des expériences et former les modèles (20-25%)
- Déployer et rendre opérationnelles les solutions d’apprentissage automatique (35–40%)
- Mettre en œuvre un apprentissage automatique responsable (5–10%)
A l’issu de la formation, les candidats seront en mesure de :
- Apprendre à opérer des solutions d’apprentissage automatique à l’échelle du Cloud à l’aide d’Azure Machine Learning.
- Effectuer des expériences sur les données
- Former des modèles prédictifs.
- Utiliser les connaissances de Python et de l’apprentissage automatique pour gérer l’ingestion et la préparation des données, la formation et le déploiement des modèles, et les solutions de suivi de l’apprentissage automatique dans Microsoft Azure.
- Comprendre la planification et la création d’un environnement de travail approprié pour les charges de travail de science des données sur Azure.
Les scientifiques des données Azure accomplis démarrent ce rôle avec des connaissances de base sur les concepts de cloud computing et une expérience en science des données générale et avec des outils et techniques de Machine Learning.
Plus précisément :
- Création de ressources de cloud dans Microsoft Azure.
- Utilisation de Python pour explorer et visualiser les données.
- Entraînement et validation de modèles Machine Learning à l’aide de frameworks courants comme Scikit-Learn, PyTorch et TensorFlow.
- Utilisation de conteneurs
Avoir suivi la formation « DP-900 Microsoft Azure Data Fundamentals » ou avoir un niveau équivalent est recommandé.
Il est possible de vous inscrire jusqu’à 2 jours ouvrés avant le début de la formation, sous condition de places disponibles et de réception du devis signé.
Il est aussi possible – sur demande – d’adapter des moyens de la prestation pour les personnes en situation de handicap en fonction du type de handicap.
Le centre de formation ITEsystem Formation est situé au : Grand Paris au 21 rue jean Rostand 91898 Orsay
Vous pouvez facilement y accéder par les transports en commun suivants :
En voiture : prendre la N118, sortie 9 Centre universitaire Grandes écoles.
Partager sur
Découvrez ces autres formations
-
Choix des options Ce produit a plusieurs variations. Les options peuvent être choisies sur la page du produit
-
Choix des options Ce produit a plusieurs variations. Les options peuvent être choisies sur la page du produit
-
Choix des options Ce produit a plusieurs variations. Les options peuvent être choisies sur la page du produit
-
Choix des options Ce produit a plusieurs variations. Les options peuvent être choisies sur la page du produit
-
Choix des options Ce produit a plusieurs variations. Les options peuvent être choisies sur la page du produit
-
Choix des options Ce produit a plusieurs variations. Les options peuvent être choisies sur la page du produit