Perform Cloud Data Science with Azure Machine Learning
Objectifs
- Donner aux participants la possibilité d’analyser et de présenter des données en utilisant Azure Machine Learning
- Présenter une introduction à l’utilisation d’Azure Machine Learning avec notamment HDInsight et R Services
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 d’Azure Machine Learning
- Introduction au studio Azure Machine Learning
- Développement et hébergement d’applications Azure Machine Learning
Gestion des jeux de données
- Catégorisation de vos données
- Importation de données dans 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 l’ingénierie des fonctionnalités et de la sélection
- Utilisation des fonctions d’ingénierie
- Utilisation du choix des fonctionnalités
Construire des modèles Azure Machine Learning
- Flux de travail d’Azure Machine Learning
- Marquage et évaluation des modèles
- Utilisation d’algorithmes de régression
- Utilisation des réseaux neuronaux
Utilisation de la classification et du regroupement avec les modèles Azure Machine Learning
- Utilisation d’algorithmes de classification
- Techniques de regroupement
- Sélection des algorithmes
Utilisation de R et Python avec Azure Machine Learning
- Incorporer R et Python dans les expériences
Initialisation et optimisation des modèles Azure Machine Learning
- Utilisation d’hyper-paramètres
- Utilisation de multiples algorithmes et modèles
- Marquage et évaluation de modèles
Utilisation des modèles Azure Machine Learning
- Déploiement et publication de modèles
- Expériences consommatrices
Utilisation des services cognitifs
- Aperçu des services cognitifs
- Traitement des images et de la vidéo
Utilisation de Machine Learning avec 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
