Azure Machine Learning est un service Web pour la création et le déploiement de modèles d’apprentissage automatique ou Machine Learning (ML) à destination des équipes de science des données. Il permet de créer, tester, gérer, déployer ou surveiller ces modèles dans un environnement cloud évolutif afin de pouvoir faire de l’analyse de données du Big Data à des fins d’analyse prédictive.
Objectifs d'une formation Microsoft Azure Machine Learning
Lorsqu’il faut créer, former et déployer des modèles de Machine Learning, les outils utilisés sont généralement :
- Azure Machine Learning Studio : il s’agit d’un espace de travail où vous créez, générez, entraînez les modèles d’apprentissage automatique.
- Azure Machine Learning pour Visual Studio Code Extension : il s’agit d’une extension gratuite qui permet de gérer les ressources, les workflows de formation de modèles et les déploiements dans Visual Studio Code
Durant les travaux pratiques, une formation Azure Machine Learning vise entre autres à ce que l’étudiant puisse :
- Prendre en main de l’interface de ce service Azure d’apprentissage automatique
- Savoir choisir parmi les variables d’algorithmes ainsi que les algorithmes équivalents par rapport à la problématique se présentant
- Maîtriser les langages de programmation communément utilisés pour optimiser Azure Machine Learning (R et Python)
- Gagner en expérience en matière de service Web dédié à l’apprentissage automatique
Conditions préalables pour se former à Azure Machine Learning
Avant de commencer une formation Azure Machine Learning, il est important d’avoir quelques bases :
- Une compréhension des concepts de Machine Learning
- Une connaissance des concepts du Cloud Computing
- Une compréhension générale des conteneurs et de l’orchestration
- Une expérience en programmation sur Python ou R
- Une expérience de travail avec une ligne de commande
Principales cibles d’une formation Azure Machine Learning
Une formation Azure Machine Learning est destinée aux ingénieurs qui souhaitent utiliser la plateforme « drag-and-drop » de Microsoft Azure pour déployer des charges de travail d’apprentissage automatique sans avoir à acheter de logiciels et de matériel et sans avoir à se soucier de la maintenance et du déploiement. En d’autres termes, elle est destinée aux :
- Data Scientists
- Data Engineers
- DevOps Engineers intéressés par le déploiement de modèles d’apprentissage automatique
- Machine Learning Engineersintéressés par le déploiement de modèles d’apprentissage automatique
- Software Engineers souhaitant automatiser l’intégration et le déploiement de fonctionnalités de Machine Learning avec leur application
Contenu d’une formation Azure Machine Learning
Une formation Azure Machine Learning consiste principalement à assurer la prise en main du flux de travail sur ce service cloud. Par conséquent, tout comme l’exécution d’un workflow du service Azure Machine Learning, elle comprend trois étapes :
1. Préparation des données
Il s’agit de la première étape de la création d’un modèle d’apprentissage automatique qui comprend la collecte et le traitement des données depuis un Datastore et un Datasets.
Voici quelques exemples de services de stockage Azure pris en charge qui peuvent être enregistrés en tant que banques de données :
- Azure Data Lake
- Azure SQL Database
- Databricks File System
- Azure Blob Storage
2. Expérimentation
Une fois les données enregistrées et stockées dans l’ensemble de données, l’étape suivante consiste à créer, entraîner et tester le modèle.
Le modèle est un morceau de code qui prend des entrées et produit des sorties pour lesdites entrées. Le développement d’un modèle ML nécessite de sélectionner un algorithme, de disposer de données et de régler les hyperparamètres. La formation comprend un processus itératif qui fournit un modèle formé héritant de ce qu’il a appris lors du processus de formation. Le modèle est obtenu en l’exécutant dans Azure Machine Learning.
Bien évidemment, il faut également une ressource de calcul où il faut exécuter le script de formation. Azure Machine Learning a l’avantage de permettre de faire l’apprentissage automatique d’un modèle sur différentes cibles de calcul :
- Local Compute : contexte de calcul où s’exécute le code de soumission des expériences.
- Compute Cluster : cluster virtuel géré par Azure Machine Learning.
- Inference Cluster : cible de déploiement basée sur des conteneurs.
- Attached Compute : Azure Databricks, Azure Data Analytics, etc.
3. Déploiement
Une fois le modèle formé et testé, il est stocké dans le registre de modèles, puis déployé dans un service Web ou des modules IoT. Le modèle enregistré est déployé en tant que point de terminaison du service. Il instancie l’image dans un service Web qui est ensuite hébergé sur le cloud ou dans un module IoT pour l’utiliser dans un déploiement de dispositifs intégrés.
À la fin de la formation, les étudiants seront ainsi capables de :
- Écrire des modèles de Machine Learning très précis à l’aide d’outils de programmation Python ou R ;
- Tirer parti des ensembles de données et des algorithmes disponibles sur Azure ML pour former et suivre les modèles de Machine Learning et de Deep Learning
- Utiliser l’espace de travail interactif Azure Machine Learning pour développer en collaboration des modèles d’apprentissage automatique
