Formation MLOps for Azure Machine Learning

Cette formation en direct avec instructeur à France (en ligne ou sur site) s'adresse aux ingénieurs en IA de niveau avancé et aux scientifiques des données ayant une expérience intermédiaire à avancée qui souhaitent améliorer les performances des modèles DeepSeek, minimiser la latence et déployer des solutions d'IA efficacement en utilisant des pratiques modernes MLOps.

A l'issue de cette formation, les participants seront capables de :

• Optimiser les modèles DeepSeek en termes d'efficacité, de précision et d'évolutivité.
• Mettre en œuvre les meilleures pratiques pour MLOps et le versionnage des modèles.
• Déployer des modèles DeepSeek sur une infrastructure cloud et sur site.
• Surveiller, maintenir et mettre à l'échelle les solutions d'IA de manière efficace.

Cette formation permet aux délégués d'améliorer leurs compétences en matière de conception de solutions Microsoft Azure.

Après cette formation, le délégué comprendra les caractéristiques et les capacités des services Azure, afin d'être en mesure d'identifier les compromis et de prendre des décisions pour concevoir des solutions de clouds publics et hybrides.

Au cours de la formation, les solutions d'infrastructure et de plateforme appropriées pour répondre aux exigences fonctionnelles, opérationnelles et de déploiement requises tout au long du cycle de vie de la solution seront définies.

Cette formation en direct avec instructeur à France (en ligne ou sur site) est destinée aux développeurs qui souhaitent apprendre à construire des microservices sur Microsoft Azure Service Fabric (ASF).

A l'issue de cette formation, les participants seront capables de :

• Utiliser ASF comme plateforme pour construire et gérer des microservices.
• Comprendre les concepts et modèles clés de programmation de microservices.
• Créer un cluster dans Azure.
• Déployer des microservices sur site ou dans le cloud.
• Déboguer et dépanner une application de microservices en direct.

Azure Bot Service combine la puissance du Microsoft Bot Framework et des fonctions Azure pour permettre le développement rapide de robots intelligents.

Dans cette formation en direct animée par un instructeur, les participants apprendront à créer facilement un bot intelligent à l'aide de Microsoft Azure

À la fin de cette formation, les participants seront en mesure de:

• Maîtriser les fondamentaux des robots intelligents
• Découvrir comment créer des robots intelligents à l'aide d'applications cloud
• Comprendre comment utiliser le Microsoft Bot Framework, le Bot Builder SDK et le service de bot Azure
• Savoir concevoir des bots en utilisant des modèles de bot
• Développer leur premier robot intelligent avec Microsoft Azure

Public

• Développeurs
• Passionnés
• Ingénieurs
• Professionnels IT

Format du cours permettant d'évaluer les participants

• Mixte entre présentation, discussion, exercices et pratique intensive

Dans cette formation en direct, encadrée par un formateur (sur site ou à distance), les participants découvriront les concepts de base, les composants et les services de Microsoft Azure tout en passant par la création d'une application cloud d'exemple.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les bases de Microsoft Azure
• Connaître les différents outils et services de Azure
• Découvrir comment utiliser Azure pour construire des applications cloud

L'IoT Internet of Things (IoT) est une infrastructure réseau qui connecte sans fil des objets physiques et des applications logicielles, leur permettant de communiquer entre eux et d'échanger des données via des communications réseau, l'informatique en nuage et la capture de données. L'IoT Suite Azure est un ensemble complet de services en nuage qui offre une suite IoT composée de solutions préconfigurées qui aident les développeurs à accélérer le développement de projets IoT.

Au cours de cette formation en direct dirigée par un instructeur, les participants apprendront à développer des applications IoT à l'aide de Azure.

A la fin de cette formation, les participants seront capables de :

• Comprendre les principes fondamentaux de l'architecture IoT
• Installer et configurer Azure IoT Suite
• Apprendre les avantages de l'utilisation de Azure dans la programmation des systèmes IoT
• Mettre en œuvre divers services Azure IoT (IoT Hub, Functions, Stream Analytics, Power BI, Cosmos DB, DocumentDB, IoT Device Management)
• Construire, tester, déployer et dépanner un système IoT en utilisant Azure.

Public

• Développeurs
• Ingénieurs

Format du cours permettant d'évaluer les participants

• En partie cours magistral, en partie discussion, exercices et pratique intensive.

Remarque

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter.

Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.

À l'issue de cette formation, les participants seront en mesure de :

• Installer et configurer Kubeflow sur site et dans le cloud en utilisant AWS EKS (Elastic Kubernetes Service).
• Construire, déployer et gérer des flux de travail de ML basés sur des conteneurs Docker et Kubernetes.
• Exécuter des pipelines d'apprentissage automatique complets sur diverses architectures et environnements en nuage.
• Utiliser Kubeflow pour créer et gérer des carnets Jupyter.
• Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.

Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.

À l'issue de cette formation, les participants seront en mesure de :

• Installer et configurer Kubeflow sur site et dans le cloud.
• Construire, déployer et gérer des flux de travail d'apprentissage automatique basés sur les conteneurs Docker et Kubernetes.
• Exécuter des pipelines d'apprentissage machine complets sur diverses architectures et environnements cloud.
• Utiliser Kubeflow pour créer et gérer des carnets Jupyter.
• Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning sur un serveur AWS EC2.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur AWS.
• Utiliser EKS (Elastic Kubernetes Service) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur AWS.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
• Mettre à profit d'autres services gérés AWS pour étendre une application ML.

Cette formation en direct avec instructeur (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning dans le nuage Azure.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur Azure.
• Utiliser Azure Kubernetes Service (AKS) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur Azure.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
• Mettre à profit d'autres services gérés AWS pour étendre une application ML.

Dans cette formation dirigée par un instructeur, en direct dans France (en ligne ou sur place), les participants apprendront à mettre en place et à gérer un environnement de conteneurs à l'échelle de la production en utilisant Kubernetes sur AKS.

A la fin de cette formation, les participants seront capables de :

• Configurer et gérer Kubernetes sur AKS.
• Déployer, gérer et mettre à l'échelle un cluster Kubernetes.
• Déployer des applications conteneurisées (Docker) sur Azure.
• Migrer un environnement Kubernetes existant sur site vers le cloud AKS.
• Intégrer Kubernetes avec un logiciel d'intégration continue (CI) tiers.
• Assurer la haute disponibilité et la reprise après sinistre dans Kubernetes.

Cette formation en direct (en ligne ou sur site) est destinée aux data scientists qui souhaitent aller au-delà de la construction de modèles ML et optimiser le processus de création, de suivi et de déploiement des modèles ML.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer MLflow et les bibliothèques et frameworks ML associés.
• Apprécier l'importance de la traçabilité, de la reproductibilité et de la déployabilité d'un modèle ML
• Déployer des modèles de ML sur différents clouds publics, plateformes ou serveurs sur site.
• Mettre à l'échelle le processus de déploiement du ML afin d'accommoder plusieurs utilisateurs collaborant à un projet.
• Mettre en place un registre central pour expérimenter, reproduire et déployer des modèles de ML.

Cette formation en direct (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent évaluer les approches et les outils disponibles aujourd'hui afin de prendre une décision intelligente sur la voie à suivre pour adopter MLOps au sein de leur organisation.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer divers cadres et outils MLOps.
• Assembler le bon type d'équipe avec les bonnes compétences pour construire et soutenir un système MLOps.
• Préparer, valider et modifier les données en vue de leur utilisation par les modèles de ML.
• Comprendre les composants d'un pipeline de ML et les outils nécessaires pour en construire un.
• Expérimenter différents cadres et serveurs d'apprentissage automatique pour les déployer en production.
• Opérationnaliser l'ensemble du processus Machine Learning pour qu'il soit reproductible et maintenable.