Ce cours est conçu pour fournir une base complète dans Azure Apprentissage automatique, en équipant les apprenants avec des compétences essentielles pour gérer les flux de travail ML dans l'espace de travail Azure ML. Les participants commenceront par comprendre les principes fondamentaux de l'espace de travail, y compris la configuration de l'environnement, la gestion des ressources et les composants clés pour l'expérimentation ML. Le cours progresse vers des concepts avancés tels que l'optimisation des ressources de calcul, la gestion efficace des ensembles de données et la configuration de pipelines ML haute performance. Les apprenants acquerront une expertise dans la mise à l'échelle des charges de travail ML, l'affinement des stratégies de stockage des données et l'application des meilleures pratiques pour un déploiement de modèles sécurisé et efficace. En outre, le cours couvre les techniques avancées de gestion des données et du calcul pour améliorer les opérations de ML (MLOps) et assurer une intégration transparente avec les services Azure. Ce cours est structuré en plusieurs modules, chacun comprenant des leçons et des conférences vidéo qui fournissent des aperçus théoriques et des pratiques pratiques. Les participants suivront environ 3 à 4 heures de contenu pédagogique, assurant à la fois la compréhension conceptuelle et l'application pratique. Pour renforcer l'apprentissage, des devoirs notés et non notés sont inclus dans chaque module pour tester la capacité des apprenants dans des scénarios du monde réel.Module 1 : Expérimenter avec Azure Apprentissage automatique Module 2 : Déployer, consommer, gérer et évaluer les modèles avec Azure Apprentissage automatique À la fin de ce cours, un apprenant sera en mesure d'explorer le processus d'enregistrement, de journalisation et de déploiement des modèles MLflow Comprendre et mettre en œuvre des pratiques d'IA responsables Comprendre les principes fondamentaux d'AutoML dans Azure Découvrir les différents algorithmes et tâches d'apprentissage automatique Maîtriser l'interprétation des résultats des tâches AutoML, en assurant le succès et en optimisant les performances des modèles.