Microsoft Azure Machine Learning est un ensemble d’outils et d’API qui permet d’une part, d’entraîner et de déployer des modèles de Machine Learning de manière simple et intuitive et, d’autre part, de gérer et paramétrer les machines exploitées et le stockage des données d’entraînement.

L’objectif de cette vidéo est de présenter aux Data Scientists les outils de Microsoft Azure Machine Learning pour leur permettre, sans trop d’effort de programmation, de créer et déployer des modèles de Machine Learning.

Pour commencer, vous découvrirez les concepts fondamentaux de la Data Science et du Machine Learning avant d’étudier les fonctionnalités d’entraînement et de déploiement de modèles disponibles dans l’environnement Azure Machine Learning studio.

Vous serez ainsi armés pour la découverte des outils plus avancés de Microsoft Azure Machine Learning permettant de développer des modèles avec les notebooks Jupyter ou d’automatiser les processus de développement de modèles avec la fonctionnalité AutoML.

À l’issue de la vidéo, vous serez ainsi en mesure de créer sur Azure vos propres expériences de Machine Learning !

• Durée totale02h48
• Data Science et Machine Learning
  • Introduction à la Data Science03:21
  • Cycle de vie d'une expérimentation de Machine Learning03:05
  • Préparation des données06:53
  • Evaluation des modèles10:51
  • Validation croisée04:59
  • Conclusion01:01
• Azure Machine Learning Studio
  • Présentation générale de Microsoft Azure Machine Learning02:09
  • Créer un espace de travail Azure Machine Learning06:18
  • L'espace de travail Azure Machine Learning Studio03:12
  • Charger un jeu de données09:14
  • Développer des modèles avec Microsoft Azure Machine Learning Designer05:48
  • Exemple d'un pipeline de nettoyage de données - partie 103:04
  • Exemple d'un pipeline de nettoyage de données - partie 231:57
  • Exemple d'un modèle avec Azure ML Studio13:15
  • Programmer en Python dans Azure ML Studio 11:43
• Microsoft Azure Machine Learning
  • La gestion et le suivi des modèles09:59
  • Les déploiements13:35
  • Créer son premier modèle NLP avec Jupyter13:37
  • La gestion des Pipelines automatiques10:19
  • Aller plus loin avec les Notebooks Jupyter02:43
  • Conclusion01:45