Data Science dans le Cloud avec Microsoft Azure Machine Learning
Objectifs
- Comprendre ce qu’est le Machine Learning et comment les algorithmes et les langages sont utilisés
- Pouvoir décrire à quoi sert Azure Machine Learning et énumérer les principales fonctionnalités d’Azure Machine Learning Studio
- Savoir télécharger et explorer divers types de données vers Azure Machine Learning
- Pouvoir explorer et utiliser des techniques pour gérer un grand nombre de données avec Azure Machine Learning
- Apprendre à utiliser des algorithmes de classification et de clustering avec Azure Machine Learning
- Savoir utiliser R et Python avec Azure Machine Learning
- Comprendre comment utiliser HDInsight avec Azure Machine Learning
- Être en mesure d’utiliser R et le serveur R avec Azure Machine Learning et savoir déployer et configurer SQL Server pour prendre en charge les services R
Programme
Introduction à Machine Learning
- Qu’est-ce que Machine Learning
- Introduction aux algorithmes Machine Learning
- Introduction aux langages Machine Learning
Introduction à Azure Machine Learning
- Présentation de Azure Machine Learning
- Introduction à Azure Machine Learning Studio
- Développement et hébergement d’applications Azure Machine Learning
Gestion d’ensemble de données
- Catégoriser vos données
- Importation de données vers Azure Machine Learning
- Exploration et transformation des données dans Azure Machine Learning
Préparation des données à utiliser avec Azure Machine Learning
- Prétraitement des données
- Gestion des ensembles de données incomplets
Utilisation de la fonctionnalité Engeneering et sélection
- Utilisation de la fonctionnalité Engeneering
- Utilisation de la fonctionnalité Sélection
Construction de modèles Azure Machine Learning
- Flux de travail Azure Machine Learning
- Notation et évaluation des modèles
- Utilisation d’algorithmes de régression
- Utilisation des réseaux neuronaux
Utilisation de la classification et du clustering avec les modèles Azure Machine Learning
- Utilisation d’algorithmes de classification
- Techniques de clustering
- Sélection des algorithmes
Utilisation de R et Python avec Azure Machine Learning
- Utilisation de R
- Utilisation de Python
- Incorporer R et Python dans les expériences Machine Learning
Initialisation et optimisation des modèles Machine Learning
- Utilisation d’hyper-paramètres
- Utilisation d’algorithmes multiples et modèles
- Notation et évaluation de modèles
Utilisation de modèles Azure Learning Machine
- Déploiement et publication de modèles
- Expériences consommatrices
Utilisation des services cognitifs
- Aperçu des services cognitifs
- Traitement du langage
- Traitement des images et de la vidéo
- Recommandation de produits
Utilisation de Machine Learning avec HDInsight
- Introduction à HDInsight
- Types de cluster HDInsight
- HDInsight et modèles Machine Learning
Utilisation des services R avec Machine Learning
- Présentation de R et du serveur R
- Utilisation du serveur R avec Machine Learning
- Utilisation de R avec SQL Server
MOYENS PÉDAGOGIQUES ET TECHNIQUES D’ENCADREMENT DES FORMATIONS
Modalités pédagogiques :
- Évaluation des besoins et du profil des participants.
- Apport théorique et méthodologique : séquences pédagogiques regroupées en différents modules.
- Contenus des programmes adaptés en fonction des besoins identifiés pendant la formation.
- Le formateur évalue la progression pédagogique du participant tout au long de la formation au moyen de travaux pratiques, étude de cas et mise en situation.
- Méthodes expositive, active et participative.
- Réflexion et échanges sur cas pratiques.
- Retours d'expériences.
- Corrections appropriées et contrôles des connaissances à chaque étape, fonction du rythme de l’apprenant mais également des exigences requises au titre de la formation souscrite.
Éléments matériels :
- Mise à disposition des outils nécessaires au bon déroulement des travaux pratiques.
- Support de cours au format numérique projeté sur écran et transmis au participant en fin de la formation.
Référent pédagogique et formateur :
- Chaque formation est sous la responsabilité du directeur pédagogique de l’organisme de formation.
- Le bon déroulement est assuré par le formateur désigné par l’organisme de formation.
MOYENS PERMETTANT LE SUIVI ET L’APPRÉCIATION DES RÉSULTATS
- Feuilles de présences signées des participants et du formateur par demi-journée.
- Attestation de fin de formation mentionnant les objectifs, la nature et la durée de l’action et les résultats de l’évaluation des acquis de la formation.
Please login to get access to the quiz
Back to Data Science
