L'organisme de formation Cellenza Training obtient la certification Qualiopi 🎉
Accueil / Formation DP-100 : Designing and Implementing a Data Science Solution on Azure

Formation DP-100 : Designing and Implementing a Data Science Solution on Azure

AzureData
Niveau : Intermédiaire
Eligible CPF : Non
Informations pratiques
Durée : 3 Jours
Prix distanciel : 2100 € HT/pers
Eligible CPF : Non
Public Visé
  • Data Engineers
  • Data Scientists
Prochaines dates
Distanciel
26-28 octobre 2021

Présentation de la formation DP-100

Cette formation permet d’acquérir les connaissances nécessaires pour utiliser les services Azure afin de développer, préparer et déployer des solutions de Machine Learning.

Après avoir présenté les services d’Azure supportant la Data Science, vous aborderez et pratiquerez les services de Data Science proposés dans Azure.

Cette formation est orientée Microsoft Azure et ne fournit pas les connaissances nécessaires pour réaliser de la Data Science. Il suppose que les stagiaires ont déjà ces connaissances.

Badge Microsoft : Azure Data Scientist AssociateDP-100 : Azure Data Scientist Associate

Objectifs pédagogiques de la formation DP-100

A l’issue de cette formation, les participants seront en capacité de :

  • Gérer les ressources Azure pour le Machine Learning,
  • Exécuter des expériences et entraîner des modèles,
  • Déployer et opérationnaliser des solutions de Machine Learning,
  • Mettre en œuvre un apprentissage automatique responsable.
Programme de la formation DP-100

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 en utilisant Azure Machine Learning studio.

Gérer les données dans un espace de travail Azure Machine Learning :

  • Sélectionnez les ressources de stockage Azure,
  • Enregistrer et maintenir des magasins de données,
  • Créer et gérer des ensembles 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 et la formation,
  • Configurer les 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 exigences d’accès et mapper les exigences aux rôles intégrés,
  • Créer des rôles personnalisés,
  • Gérer l’appartenance aux rôles,
  • 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 Azure Databricks,
  • Configurer les liens et les espaces de travail Azure Databricks vers un espace de travail Azure Machine Learning.

 

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 conception pour définir un flux de données de pipeline,
  • Utiliser des modules de code personnalisés dans le concepteur.

 

Exécuter des scripts d’entraînement de modèle :

  • Créer et exécuter une expérience à l’aide du SDK Azure Machine Learning,
  • Configurer les paramètres d’exécution d’un script,
  • Consommer des données d’un ensemble de données dans une expérience en utilisant Azure Machine Learning SDK,
  • Exécuter un script de formation sur Azure Databricks Compute,
  • Exécuter du code pour entraîner un modèle dans un bloc-note Azure Databricks.

 

Générer des métriques à partir d’une exécution de test :

  • Enregistrer les métriques d’une expérimentation,
  • Récupérer et afficher les résultats de l’expérience,
  • Utiliser les 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 l’apprentissage automatique automatisé pour créer des modèles optimaux :

  • Utiliser l’interface Automated ML dans Azure Machine Learning Studio,
  • Utiliser le ML automatisé à partir du SDK Azure Machine Learning,
  • Sélectionnez les options de pré-traitement,
  • Sélectionner les algorithmes à rechercher,
  • Définir une métrique principale,
  • Obtenir des données pour une exécution de ML automatisée,
  • Récupérer le meilleur modèle.

Ajuster les hyperparamètres avec Azure Machine Learning :

  • Sélectionner une méthode d’échantillonnage,
  • Définir l’espace de recherche,
  • Définir la métrique principale,
  • Définir les options de résiliation anticipée,
  • Trouver le modèle qui a des valeurs d’hyperparamètres optimales.

 

Sélectionner le calcul pour le déploiement du modèle :

  • Considérer 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 enregistré,
  • 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 :

  • Enregistrer un modèle entraîné,
  • Surveiller l’utilisation du modèle,
  • Surveiller la dérive des données.

 

Créer un pipeline Azure Machine Learning pour l’inférence par lots :

  • Configurer un ParallelRunStep,
  • Configurer le calcul pour un pipeline d’inférence par lots,
  • Publier un pipeline d’inférence par lots,
  • Exécuter un pipeline d’inférence par lots et obtenir des sorties,
  • Obtenir les sorties d’un ParallelRunStep.

 

Publier 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 SDK Azure Machine Learning :

  • Créer un pipeline,
  • Transmettre des données entre les étapes d’un pipeline,
  • Exécuter un pipeline,
  • Surveiller les exécutions de pipeline.

 

Appliquer les pratiques MLOps :

  • Déclencher un pipeline Azure Machine Learning à partir d’Azure DevOps,
  • Automatiser le recyclage du modèle en fonction de nouveaux ajouts de données ou de modifications de données,
  • Refactoriser les cahiers en scripts,
  • Implémenter le contrôle de code source pour les scripts.

 

Utiliser des explicateurs de modèles pour interpréter les modèles :

  • Sélectionner un interprète modèle,
  • Générer des données sur l’importance des fonctionnalités.

 

Décrire les considérations d’équité pour les modèles :

  • Évaluer l’équité du modèle en fonction de la disparité de prédiction,
  • Atténuer l’injustice du modèle.

Décrire les considérations relatives à la confidentialité des données :

  • Décrire les principes de confidentialité différentielle,
  • Spécifier les niveaux de bruits acceptables dans les données et les effets sur la vie privée.
Méthodes et modalités pédagogiques

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 anglais sera remis aux participants au format électronique via la plateforme Skillpipe.
  • Travaux pratiques : un Lab sera remis aux participants, il restera accessible 180 jours après son activation.
  • 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. Cellenza Training dispose d’un processus qualité qui prend en considération les retours des participants afin d’être proactif quant à la solution corrective adaptée.
  • Suivi : une feuille d’émargement par demi-journée de présence est signée par chacun des participants.

Cette formation peut être dispensée en format inter-entreprise ou intra-entreprise sur demande et en mode présentiel comme en distanciel.

 

Prérequis à la formation DP-100

Les participants doivent avoir :

  • Une expertise en Data Science et savoir appliquer la science des données et
    l’apprentissage automatique pour mettre en œuvre et exécuter des charges de travail d’apprentissage automatique sur Azure,
  • Des connaissances et de l’expérience en science des données en utilisant Azure Machine Learning et Azure Databricks.

Avoir suivi la formation « DP-900 Microsoft Azure Data Fundamentals » ou avoir un niveau équivalent est recommandé.

Les supports de cours et les travaux pratiques sont en anglais. Un niveau d’anglais B1 est requis pour suivre cette formation. Retrouvez les niveaux de langue sur ce lien : Classification des niveaux de langue

Il est fortement recommandé de suivre ce cours sur un ordinateur et de disposer d’un double écran pour plus de confort.

Accessibilité
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 Cellenza Training est situé au : 156 Boulevard Haussmann – 75008 Paris
Vous pouvez facilement y accéder par les transports en commun suivants :
  • Métro 9 : Miromesnil
  • Métro 13 : Saint-Philippe-du-Roule
  • Bus 22-43-52 : Courcelles ou Miromesnil
  • Bus 84 : Ruysdaël – Parc Monceau
Pré-certification

Cette formation ouvre la porte à la certification Microsoft « DP-100 – Designing and Implementing a Data Science Solution on Azure ».

 

Pourquoi se certifier ?

Certifications
Pré-inscription à la formation
Formation DP-100 : Designing and Implementing a Data Science Solution on Azure

    Les informations personnelles vous concernant (nom prénom, adresse e-mail, téléphone professionnel) sont recueillies par CELLENZA et sont enregistrées dans les fichiers informatisés de notre société en qualité de responsable de traitement, aux fins (i) de répondre à votre demande et (ii) de prospection. Ces informations, collectées sur la base de votre consentement ou notre intérêt légitime, ne sont transmises à aucun tiers et seront conservées, trois ans maximum à compter de notre dernier contact. Ces données sont accessibles aux seules personnes au sein DE CELLENZA dûment habilitées. Vous pouvez exercer vos droits d’accès, de rectification, d’effacement, d’opposition, de limitation du traitement, ainsi que le droit à la portabilité de vos données, sur simple demande à l’adresse suivante : contact-gdpr@cellenza.com ou introduire une réclamation auprès de la CNIL. Pour plus d’informations sur vos droits, nous vous invitons à consulter le site www.cnil.fr

    Nos formations sur la même thématique

    New

    Formation DP-203 : Data Engineering on Microsoft Azure

    AzureData
    Niveau : Intermédiaire
    Durée : 4 Jours
    Nous formons les Data Engineers sur les principes d’intégration, de transformation et de consolidation des données provenant de divers systèmes…
    DP-203 : Azure Data Engineer AssociateBadge Microsoft : Azure Data Engineer

    Formations sur mesure

    Vous souhaitez former vos équipes ?

    Vous avez besoin d’accélérer leur montée en compétences et l’adoption des meilleures pratiques et technologies pour générer de la valeur au plus vite ?

    Nous vous accompagnons pour co-construire avec vous les formations dont vous avez besoin, en adaptant nos contenus à votre environnement technique et organisationnel.

    En savoir plus

    Formation DA-100 : Analyzing Data with Microsoft Power BI

    AzureData
    Niveau : Débutant
    Durée : 4 Jours
    Cette formation abordera les différentes méthodes et les bonnes pratiques conformes aux exigences commerciales et techniques en matière de modélisation,…
    DA-100 : Data Analyst AssociateBadge Microsoft : Data Analyst Associate