Les données sont la base de l'apprentissage automatique. Dans ce module, vous apprendrez à travailler avec des magasins de données et des ensembles de données dans Azure Machine Learning, ce qui vous permettra de construire des solutions de formation de modèles évolutives et basées sur le cloud. Vous apprendrez également à utiliser le cloud compute dans Azure Machine Learning pour exécuter des expériences de formation à grande échelle.

L'orchestration de la formation à l'apprentissage automatique avec des pipelines est un élément clé de DevOps pour l'apprentissage automatique. Dans ce module, vous apprendrez à créer, publier et exécuter des pipelines pour former des modèles dans Azure Machine Learning. Vous apprendrez également à enregistrer et à déployer des modèles ML avec le service Azure Machine Learning.

Les modèles d'apprentissage automatique sont souvent utilisés pour générer des prédictions à partir d'un grand nombre d'observations dans le cadre d'un processus par lots. Pour ce faire, vous utiliserez Azure Machine Learning pour publier un pipeline d'inférence par lots. Vous tirerez également parti d'expériences à l'échelle du nuage pour choisir les valeurs optimales des hyperparamètres pour l'apprentissage du modèle.

Dans ce module, vous apprendrez à utiliser l'apprentissage automatique dans Azure Machine Learning pour trouver le meilleur modèle pour vos données. Vous apprendrez comment la confidentialité différentielle est une approche de pointe qui permet une analyse utile tout en protégeant les valeurs des données individuellement identifiables. Vous découvrirez également les facteurs qui influencent les prédictions des modèles.

Les modèles d'apprentissage automatique peuvent souvent encapsuler des biais involontaires qui se traduisent par des injustices. Dans ce module, vous apprendrez à utiliser Fairlearn et Azure Machine Learning pour détecter et atténuer l'injustice dans vos modèles. Vous apprendrez à utiliser la télémétrie pour comprendre comment un modèle d'apprentissage automatique est utilisé une fois qu'il a été déployé en production. Enfin, vous apprendrez à surveiller la dérive des données pour vous assurer que votre modèle continue à prédire avec précision.