Azure Machine Learning

Un parcours qui couvre l'ensemble du cycle d'un modèle sur Azure Machine Learning, du provisionnement de l'espace de travail au déploiement supervisé, avec le SDK v2 Python et la CLI az ml.

Durée du cours : 7h

Ce que vous allez apprendre

• Organiser un espace de travail Azure ML et les ressources associées
• Choisir la bonne cible de calcul selon la charge et le budget
• Enregistrer des jeux de données versionnés et des environnements reproductibles
• Lancer une tâche d'entraînement suivie par MLflow
• Comparer AutoML à un modèle manuel sans se laisser piéger
• Déployer un modèle en ligne ou par lots avec répartition du trafic
• Orchestrer un pipeline hebdomadaire et maîtriser les coûts

Prérequis

• Le cours MLOps (parcours 20) pour le vocabulaire de suivi et de registre
• Notions d'Azure : groupes de ressources, comptes de stockage, identités
• Python courant et lecture de fichiers YAML

Modules du cours

1. Espace de travail Azure ML et organisation des ressources
2. Cibles de calcul : instances, grappes, calcul à la demande
3. Jeux de données et magasins de données
4. Environnements et images conteneurisées
5. Tâches d'entraînement et suivi des exécutions
6. AutoML : usages pertinents et limites
7. Registre de modèles et versionnage
8. Points de terminaison en ligne et par lots
9. Chaînes de traitement et planification
10. Surveillance, quotas et coûts

Fil rouge

Un modèle de prévision de la demande pour un réseau de magasins de bricolage : régression sur les ventes hebdomadaires par couple magasin-produit. Chaque module ajoute un maillon — donnée, environnement, entraînement, déploiement — jusqu'au pipeline planifié chaque dimanche soir avant réapprovisionnement.

Évaluation et attestation

Le parcours se termine par un examen de 40 questions qui couvre les dix modules. En cas de réussite, une attestation d'achèvement est délivrée immédiatement ; son numéro est vérifiable sur la plateforme.