Bienvenue à la semaine 2. Cette semaine se concentre sur les aspects pratiques de la construction et de l'évaluation des modèles d'apprentissage automatique. Vous apprendrez à préparer les données à l'aide de techniques de prétraitement, à sélectionner et à entraîner les modèles appropriés, et à évaluer leurs performances à l'aide de métriques standard. Grâce à des démonstrations pratiques, vous explorerez les tâches de classification, comprendrez les matrices de confusion et appliquerez des mesures d'évaluation pour les modèles de classification et de régression. À la fin de la semaine, vous serez en mesure d'évaluer efficacement les performances des modèles et de prendre des décisions éclairées au cours du processus de formation et d'évaluation des modèles.

Bienvenue à la semaine 3. Cette semaine, nous allons nous plonger dans les techniques d'apprentissage automatique non supervisé utilisées pour découvrir des modèles et des structures cachés dans les données. Vous apprendrez les principes fondamentaux du clustering, y compris K-Means, le clustering hiérarchique et le clustering basé sur la densité, avec des démonstrations pratiques. Nous explorerons également l'extraction de règles d'association pour comprendre les relations au sein des ensembles de données. À la fin de la semaine, vous serez en mesure d'appliquer des méthodes d'apprentissage non supervisé pour découvrir des informations sans données étiquetées.

Bienvenue à la semaine 4. Cette semaine, nous nous concentrerons sur les techniques avancées d'apprentissage automatique et l'optimisation des performances. Vous découvrirez NVIDIA RAPIDS et apprendrez comment les GPU peuvent accélérer de manière significative le traitement des données et les workflows d'apprentissage automatique grâce à des démonstrations pratiques. Nous explorerons les techniques d'optimisation des modèles telles que la validation croisée en utilisant GridSearch et RandomizedSearch pour améliorer les performances et la fiabilité des modèles. Enfin, vous apprendrez les principes fondamentaux de l'analyse des séries temporelles à l'aide du modèle ARIMA et les mettrez en œuvre à l'aide de démonstrations pratiques. À la fin de la semaine, vous serez en mesure d'optimiser les flux de travail de ML, de sélectionner des modèles bien réglés et d'appliquer les techniques de séries temporelles à des problèmes de prévision du monde réel.

Bienvenue à la semaine 5. Cette semaine est consacrée à l'application de l'apprentissage automatique dans des scénarios du monde réel. Vous apprendrez à identifier les cas d'utilisation de l'apprentissage automatique, à comprendre les différences entre l'IA, l'apprentissage automatique et l'apprentissage profond, et à explorer les services AWS qui prennent en charge les charges de travail d'apprentissage automatique. Nous verrons également comment les modèles d'apprentissage automatique et d'apprentissage profond sont utilisés en production, notamment en fournissant des données pour l'entraînement des modèles et en concevant des stratégies d'ingestion de données efficaces. À la fin de la semaine, vous serez en mesure d'aligner les solutions de ML sur les besoins de l'entreprise et de concevoir des flux de travail de ML pratiques et prêts pour la production.

Bienvenue à la semaine 6. Cette semaine se concentre sur la construction et l'opérationnalisation de solutions d'apprentissage automatique en utilisant Azure Machine Learning et les pratiques MLOps. Vous apprendrez à organiser et à gérer les environnements Azure Machine Learning, à comprendre le rôle de l'espace de travail Azure Machine Learning et à explorer le flux de travail de bout en bout impliqué dans le développement, l'entraînement et le déploiement de modèles d'apprentissage automatique. La semaine présente également les concepts fondamentaux de l'apprentissage automatique, y compris les différents types de tâches d'apprentissage automatique, les algorithmes couramment utilisés et l'utilisation d'AutoML pour simplifier la sélection et l'optimisation des modèles. À la fin de la semaine, vous serez en mesure de concevoir une architecture MLOps efficace et de mettre en œuvre des flux de travail d'apprentissage automatique structurés, évolutifs et prêts pour la production à l'aide d'Azure Machine Learning.