Microsoft Azure Machine Learning : développer, paramétrer et déployer des algorithmes en production

Module 1 — Prise en main de l'interface Azure Machine Learning

• L'offre Azure et facturation à l'usage
• Présentation et prise en main de Machine Learning Studio
• Créer un dataset et se connecter à une source de données
• Construire une expérience de Machine Learning
• Définir un web service prédictif
• La galerie Cortana Intelligence
• TP : prise en main de l'interface Azure ML, création d'un dataset, définition d'un web service prédictif

Module 2 — Créer une expérience de Machine Learning

• Utiliser l'arbre de décision pour choisir les algorithmes
• Détecter les valeurs aberrantes
• Sélection des variables pertinentes (features selection)
• Initialiser, entraîner et évaluer un modèle
• Reformer et mettre à jour un modèle prédictif
• Transformation des variables (features engineering)
• Limiter et filtrer les lignes d'un jeu de données
• TP : évaluation et comparaison des algorithmes à l'aide de la courbe ROC (Receiver Operating Characteristic)

Module 3 — Paramétrage des grandes familles d'algorithmes

• Algorithmes de clustering (approche non supervisée)
• Algorithmes de régression linéaire
• Algorithmes de régression logistique et ordinale
• Algorithmes de classification supervisée : binaire et one-versus-all
• Méthodes ensemblistes : forêts aléatoires et jungle d'arbres de décision
• Packages R et Python dans Azure ML
• Le framework Vowpal Wabbit et son paramétrage
• TP : paramétrage de familles d'algorithmes sous R et Python

Module 4 — Traitement d'autres types de données

• Analyse et prévision de séries temporelles, détection d'anomalies
• Analyse de données textuelles avec les packages R
• Application de l'algorithme Vowpal Wabbit (Latent Dirichlet Analysis)
• Exploitation des images avec notebooks Jupyter
• TP : traitement de données textuelles ou images

Module 5 — Nouvelles fonctionnalités Azure Machine Learning

• Nouvelles briques Azure pour le ML : Experimentation et Model Management
• Inspection et préparation des données : transformations de base et avancées
• Mise en œuvre des instances Azure Machine Learning
• Suivi des exécutions et des métriques d'évaluation
• Scénarios de déploiement : local, Spark, Docker, AKS
• TP : préparation de données et transformations avancées