-Présentation des caractéristiques du cloud
-Présentation de l’offre Azure
-Présentation des services IA de Azure
-Considérations de facturation
-Présentation de l’espace de travail Azure Machine Learning Studio
-Créer et utiliser un dataset
-Construire une expérience à l’aide d’un pipeline.
-Déployer un Web Service prédictif
Travaux pratiques
Prise en main de l’interface Azure ML. Création d’un dataset. Définition
d’un Web Service prédictif.

-Présentation des grandes étapes d’un projet de machine learning
-Détecter les valeurs aberrantes
-Choisir les variables de l’algorithme
-Déterminer la configuration des jeux de test

– Présentation des catégories d’algorithmes
-Algorithmes de régression
-Algorithmes de clustering
-Algorithmes de classification
-Présentation des critères de performances selon les -catégories
-Paramétrage des algorithmes
-Mise en place d’une machine learning automatisé
Travaux pratiques
Évaluer des différents algorithmes à l’aide de la courbe ROC.

-Implémentation des modules Python
-Optimisation automatique des algorithmes
-Étiquetage du texte et des images
-Traitement des images

Travaux pratiques
ÉTraitement des données textes ou images

-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).