Ce module présente les outils d'apprentissage automatique disponibles dans Microsoft Azure. Il examine ensuite les approches standardisées développées pour aider les projets d'analyse de données à réussir. Enfin, il vous donne des conseils spécifiques sur l'approche de la science des données en équipe de Microsoft pour inclure les rôles et les tâches impliqués dans le processus. L'exercice à la fin de cette unité vous renvoie à la documentation de Microsoft pour mettre en œuvre ce processus dans leur solution DevOps si vous n'avez pas la vôtre.

Ce module vous présente l'apprentissage automatique pré-entraîné et géré de Microsoft, proposé sous forme d'API REST dans leur suite de services cognitifs. Nous mettons spécifiquement en œuvre des solutions utilisant l'api de vision par ordinateur, l'api de reconnaissance faciale, et nous faisons de l'analyse de sentiment en appelant le service de langage naturel.

Ce module vous présente les capacités du service Azure Machine Learning. Nous verrons comment créer et référencer un espace de travail ML. Nous verrons ensuite comment entraîner un modèle d'apprentissage automatique à l'aide du service Azure ML. Nous parlerons de l'objectif et du rôle des expériences, des exécutions et des modèles. Enfin, nous parlerons des ressources Azure disponibles pour entraîner vos modèles d'apprentissage automatique. Les exercices de cette unité comprennent la création d'un espace de travail, la construction d'une cible de calcul et l'exécution d'un cycle de formation à l'aide du service Azure ML.

Ce module explique comment se connecter à votre espace de travail. Ensuite, nous expliquons comment fonctionne le registre de modèles et comment enregistrer un modèle entraîné localement et à partir d'une exécution d'entraînement de l'espace de travail. En outre, nous vous montrons les étapes de préparation d'un modèle pour le déploiement, y compris l'identification des dépendances, la configuration d'une cible de déploiement, la construction d'une image de conteneur. Enfin, nous déployons un modèle entraîné en tant que service Web et le testons en envoyant des objets JSON à l'API.