Formation Microsoft Azure Machine Learning, développer et exploiter des algorithmes


Formation Microsoft Azure Machine Learning, développer et exploiter des algorithmes

Catalogue : Big Data, Intelligence Artificielle



Prise en main de l'interface Azure Machine Learning
• L'offre Azure. Facturation à l'usage.
• Prise en main de l'interface Machine Learning Studio.
• Créer un dataset. Se connecter à une source de données.
• Construire une expérience de ML.
• Définir un Web Service prédictif.
• La Gallery Cortana Intelligence.
Travaux pratiques
Prise en main de l'interface Azure ML. Création d'un dataset. Définition d'un Web Service prédictif.
Créer une expérience de Machine Learning
• Utiliser l'arbre de choix des algorithmes.
• Détecter les valeurs aberrantes.
• Choisir les variables de l'algorithme (features sélection).
• Initialiser le modèle, entraîner le modèle, évaluer le modèle.
• Reformer un modèle prédictif.
• Transformer les variables de l’algorithme (features engineering).
• Limiter les lignes d’un jeu de données.
Travaux pratiques
Évaluer des différents algorithmes à l'aide de la courbe ROC.
Savoir paramétrer les grandes familles d'algorithmes
• Algorithmes de clustering (approche non supervisée).
• Algorithmes de régression linéaire.
• Algorithmes de régression logistique ou ordinale.
• Algorithmes de classification (approche supervisée) binaire ou one-versus-all.
• Méthodes ensemblistes (forêt, jungle…).
• Packages R et Python. Le framework Vowpall Wabbit.
• Paramétrage des algorithmes.
Travaux pratiques
Paramétrer des familles d'algorithmes avec R/Python.
Traiter d'autres types de données
• Analyser les séries temporelles, détecter les anomalies.
• Analyse de données textuelles avec les packages R.
• Appliquer un algorithme Vowpal Wabbit (Latent Dirichlet Analysis).
• Exploiter les images avec notebooks Jupyter.
Travaux pratiques
Traitement des données texte ou image.
Découvrir les nouveaux outils autour d'Azure Machine Learning
• Nouvelles briques Azure pour le ML (Experimentation / Model Management).
• Inspection et préparation des données (transformations par exemple, transformations avancées).
• Mise en œuvre des instances Azure Machine Learning.
• Suivi des exécutions et des métriques d’évaluation.
• Scénarios de déploiement (local/Spark/Docker/AKS).
Travaux pratiques
Préparation de données et transformations avancées.

 

Fiche de la formation



 Cible :

Data Scientists, data miners, statisticiens, développeurs en charge de la mise en production des modèles.


 Prérequis :

Connaissances de base en statistiques (centrage, dispersion, corrélation, tests d'hypothèses). Des notions de programmation ou d'algorithmique peuvent être utiles.


 Durée : 3 jours

 Type : Stage pratique


 Contactez-nous