[{"data":1,"prerenderedAt":46},["ShallowReactive",2],{"course-machine-learning-avec-microsoft-azure-et-python-de-la-conception-au-deploiement-de-modeles":3,"highlight-Python-from azure.ai.ml imp":45},{"id":4,"name":5,"slug":6,"location":7,"targetAudienceFormatMarkdown":8,"prerequisitesFormatMarkdown":9,"objectivesFormatMarkdown":10,"descriptionFormatMarkdown":11,"teachingMethodsFormatMarkdown":12,"teachingResourcesFormatMarkdown":13,"evaluationMethodsFormatMarkdown":14,"accessibilityFormatMarkdown":15,"accessMethodsFormatMarkdown":16,"minimumParticipants":17,"maximumParticipants":17,"duration":18,"reference":19,"trainerType":7,"updated_at":20,"created_at":21,"price":22,"organizationMode":7,"theme":23,"code":27,"tags":32,"metadata":36},"/api/courses/194bb69d-3494-4d94-89e0-4e46876d7f19","Machine Learning avec Microsoft Azure et Python : de la conception au déploiement de modèles","machine-learning-avec-microsoft-azure-et-python-de-la-conception-au-deploiement-de-modeles",null,"Développeurs, data scientists et ingénieurs ML souhaitant exploiter Azure Machine Learning avec Python \n\nIngénieurs DevOps ou MLOps intégrant des workflows ML dans le cloud \n\nArchitectes techniques et experts cloud-data \n\nChefs de projet ou responsables techniques souhaitant comprendre le cycle complet de Machine Learning en production","-   Maîtrise de Python et de ses bibliothèques scientifiques (numpy, pandas, scikit-learn) \n-   Connaissance générale des concepts de machine learning (supervisé, non supervisé, validation) \n-   Notions d’accès à des services cloud et compréhension des concepts Azure \n-   Capacité à utiliser un environnement de développement Python (PyCharm, VS Code ou équivalent) \n-   Notions d’architecture applicative et pipelines de données ","-   Maîtriser les concepts fondamentaux du Machine Learning appliqué sur Azure \n-   Configurer et gérer un workspace Azure Machine Learning \n-   Préparer, explorer et prétraiter des datasets pour l’entraînement de modèles \n-   Concevoir, entraîner, évaluer et comparer des modèles ML en Python \n-   Automatiser et orchestrer des pipelines d’apprentissage \n-   Déployer des modèles comme services prédictifs et suivre leur performance \n-   Appliquer les bonnes pratiques de sécurité et de gouvernance des modèles ML ","--day1--\n\n## Introduction et préparation de l’environnement \n\nIntroduction au Machine Learning \n\n-   Différence entre apprentissage supervisé, non supervisé et par renforcement \n-   Cas d’usage concrets dans l’entreprise (prédiction de ventes, détection de fraudes, analyse client) \n-   Limites et défis du ML (qualité des données, biais, surapprentissage) \n\nPrésentation de l’écosystème Azure Machine Learning \n\n-   Concept de workspace, compute, datasets et experiments \n-   Différence entre environnement cloud et local pour le développement ML \n\nMise en place de l’environnement de travail \n\n-   Installation et configuration des SDK Azure ML pour Python \n-   Création d’un workspace Azure ML \n-   Connexion à un cluster de calcul Azure pour l’entraînement \n\nAtelier pratique \n\n-   Création d’un workspace et d’un cluster de calcul \n-   Importation d’un dataset d’exemple dans Azure ML \n-   Exploration initiale du dataset (statistiques descriptives, visualisations simples \n\n![Forme](data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAl4AAAABCAYAAAAPZqCNAAAAAXNSR0IArs4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsMAAA7DAcdvqGQAAAAZSURBVEhL7cExAQAAAMKg9U9tCy8gAAAeagl5AAEdUhn2AAAAAElFTkSuQmCC)\n\n--break--\n\n## Prétraitement et analyse des données \n\n-   Analyse exploratoire et visualisation des données \n-   Histogrammes, diagrammes de corrélation, boxplots \n-   Identification des valeurs manquantes et aberrantes \n-   Prétraitement des données \n-   Nettoyage : gestion des valeurs manquantes et des doublons \n-   Normalisation et standardisation \n-   Encodage des variables catégorielles \n-   Feature engineering \n-   Création de nouvelles variables à partir des existantes \n-   Sélection des features pertinentes pour le modèle \n-   Atelier pratique \n-   Prétraitement complet d’un dataset réel \n-   Construction d’un jeu de données prêt pour l’entraînement \n\n![Forme](data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAl4AAAABCAYAAAAPZqCNAAAAAXNSR0IArs4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsMAAA7DAcdvqGQAAAAZSURBVEhL7cExAQAAAMKg9U9tCy8gAAAeagl5AAEdUhn2AAAAAElFTkSuQmCC)\n\n--day2--\n\n## Création et entraînement des modèles \n\nChoix des modèles ML selon le type de problème \n\n-   Régression, classification, clustering \n-   Avantages et limites de chaque algorithme \n\nImplémentation avec Python et Azure ML SDK \n\n-   Création d’expériences pour l’entraînement de modèles \n-   Suivi des runs et journalisation des métriques \n\nÉvaluation des modèles \n\n-   Mesures de performance : précision, recall, F1-score, RMSE \n-   Validation croisée et courbes d’apprentissage \n\n Atelier pratique \n\n-   Entraînement de plusieurs modèles sur le dataset préparé \n-   Comparaison des résultats et sélection du modèle le plus performant \n\n![Forme](data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAl4AAAABCAYAAAAPZqCNAAAAAXNSR0IArs4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsMAAA7DAcdvqGQAAAAZSURBVEhL7cExAQAAAMKg9U9tCy8gAAAeagl5AAEdUhn2AAAAAElFTkSuQmCC)\n\n--break--\n\n## Pipelines et automatisation \n\n-   Introduction aux pipelines Azure ML \n-   Définition et avantages d’un pipeline pour la production \n-   Composants : étapes, inputs/outputs, compute \n-   Création d’un pipeline d’entraînement automatisé \n-   Définition des étapes de prétraitement, d’entraînement et d’évaluation \n-   Automatisation des tests et réentraînements \n-   Optimisation des workflows ML \n-   Hyperparameter tuning avec Azure ML \n-   Gestion des ressources et coûts \n-   Atelier pratique \n-   Création d’un pipeline complet pour un modèle ML \n-   Exécution et suivi du pipeline dans Azure \n\n--day3--\n\n## Déploiement et mise en production \n\nDéploiement de modèles sur Azure \n\n-   Création d’un endpoint web pour le modèle \n-   Gestion des versions et rollback \n\nConsommation d’un modèle via API \n\n-   Test des prédictions avec des clients Python \n-   Intégration dans une application ou tableau de bord \n\nAtelier pratique \n\n-   Déploiement d’un modèle en endpoint Azure ML \n-   Envoi de données et récupération des prédictions \n\n--break--\n\n## Monitoring, gouvernance et synthèse \n\nSurveillance et suivi des modèles \n\n-   Suivi des métriques en temps réel \n-   Détection de dérive des modèles (data drift et concept drift) \n\nSécurité et gouvernance \n\n-   Gestion des accès et authentification \n-   Bonnes pratiques pour la production ML \n\nCas pratique complet \n\n-   Projet intégrant toutes les étapes : préparation, entraînement, pipeline, déploiement et monitoring \n\nSynthèse et évaluation des acquis \n\n-   Retour sur tous les modules \n-   Bilan pratique : participants démontrent le déploiement d’un modèle complet","Nos formations, équilibrées entre théorie (50%) et pratique (50%), offrent un apprentissage interactif grâce à des méthodes variées comme les travaux pratiques, les mises en situation et les démonstrations. Des QCM réguliers assurent le suivi des acquis.\n\nVariables suivant les formations, les moyens techniques mis en oeuvre sont :\n\nOrdinateurs Mac ou PC, connexion internet fibre, tableau blanc ou écran (pour le distanciel).\n\nEn cas de formation intra sur site externe à Le Code, le client s'assure et s'engage également à avoir toutes les ressources matérielles pédagogiques nécessaires\n\n(équipements informatiques...) au bon déroulement de l'action de formation visée conformément aux prérequis indiqués dans le programme de formation communiqué","Les supports pédagogiques sont remis aux stagiaires sous format numérique et/ou papier selon les modalités de la formation.\n\n  \n\nIls comprennent des supports de cours, des présentations, des fiches pratiques, des études de cas, des exercices applicatifs ainsi que des QCM d’entraînement selon la formation. (adapté au choix du formateur)\n\n  \n\nLes formations s’appuient sur des moyens techniques adaptés : ordinateurs, logiciels professionnels, connexion internet, écran ou vidéoprojecteur, ainsi que des outils collaboratifs et de visioconférence pour les formations à distance.\n\n  \n\nL’ensemble des supports pédagogiques est accessible pendant et après la formation afin de favoriser l’appropriation et la mise en pratique des compétences acquises.","En amont de la formation, un recueil des besoins permet de récolter des informations sur le stagiaire et ses attentes. L’évaluation se fait en cours de formation, par des études de cas ou des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation et/ou un examen.\n\nUn suivi de qualité est effectué grâce à nos sessions en groupe restreint (entre 2 et 9 participants maximum). Le stagiaire émargera par demi-journée et recevra une attestation de formation.","Nous informons l'ensemble de nos clients et stagiaires que nous sommes dans la capacité d’adapter les sessions selon les handicaps et les situations spécifiques. Nous nous engageons à répondre à toutes vos demandes sous un délai de 48h\n\nouvré.","Si l’une de nos formations vous intéresse, contactez-nous au +33 4 93 65 34 24 ou à l’adresse mail contact@m2g-intellect.fr. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d’adapter la\n\nformation et ses modules, puis nous vous adresserons un devis.\n\nLes dates de la formation seront à convenir sous 30 jours maximum.",0,"21.00","ML AZ","2026-04-28T14:38:11+00:00","2026-04-28T14:33:22+00:00","2400.00",{"id":24,"name":25,"slug":26},"/api/themes/1bfd6e41-c2b0-4813-a29b-c9e1c486b5d0","Intelligence Artificielle","intelligence-artificielle",{"id":28,"label":29,"domain":30},"/api/training_specialities/163","326 - Informatique, traitement de l’information, réseaux de transmission des données",{"label":31},"32 - Communication et information",[33],{"id":34,"name":35},"7732139d-6025-4fde-b145-39298ced3408","MENUFEATURED",{"desc-accroche":37,"Description":38,"icon-color":39,"icon-name":40,"code-langage":41,"code-snippet":42,"courte-description":43,"titre-accroche":44},"Maîtrisez le cycle de vie complet du Machine Learning sur Azure : de la préparation des données avec Python à l'entraînement de modèles jusqu'au déploiement de services prédictifs avec Azure Machine Learning Studio.","Cette formation opérationnelle vous guide à travers toutes les étapes d'un projet de Machine Learning professionnel. En utilisant l'écosystème Python (Scikit-Learn, Pandas) et les outils d'Azure Machine Learning, vous apprendrez à industrialiser vos modèles. Le cursus couvre la création d'expériences reproductibles, le suivi des métriques via MLflow, et le déploiement sur des points de terminaison (endpoints) temps réel ou par lots. Vous découvrirez également comment gérer les ressources de calcul cloud et mettre en place des pipelines automatisés pour garantir la robustesse et la scalabilité de vos solutions prédictives en production.","#0078D4","mdi:microsoft-azure","Python","from azure.ai.ml import MLClient\nfrom azure.identity import DefaultAzureCredential\n\n# Connexion au Workspace Azure ML\nml_client = MLClient(\n\tDefaultAzureCredential(), \n\tsubscription_id, \n\tresource_group, \n\tworkspace\n)\n\n# Enregistrement d'un modèle entraîné\nmodel = ml_client.models.create_or_update(\n\tname=\"my_model\",\n\tpath=\"outputs/model.pkl\",\n\ttype=\"custom_model\"\n)","Apprenez à industrialiser vos modèles de Machine Learning avec Python sur Microsoft Azure : de l'analyse exploratoire au déploiement en production.","Concevez, entraînez et déployez des modèles de Machine Learning performants et scalables en combinant la flexibilité de Python et la puissance du Cloud Microsoft Azure.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-python\">\u003Cspan class=\"hljs-keyword\">from\u003C/span> azure.ai.ml \u003Cspan class=\"hljs-keyword\">import\u003C/span> MLClient\n\u003Cspan class=\"hljs-keyword\">from\u003C/span> azure.identity \u003Cspan class=\"hljs-keyword\">import\u003C/span> DefaultAzureCredential\n\n\u003Cspan class=\"hljs-comment\"># Connexion au Workspace Azure ML\u003C/span>\nml_client = MLClient(\n\tDefaultAzureCredential(), \n\tsubscription_id, \n\tresource_group, \n\tworkspace\n)\n\n\u003Cspan class=\"hljs-comment\"># Enregistrement d'un modèle entraîné\u003C/span>\nmodel = ml_client.models.create_or_update(\n\tname=\u003Cspan class=\"hljs-string\">"my_model"\u003C/span>,\n\tpath=\u003Cspan class=\"hljs-string\">"outputs/model.pkl"\u003C/span>,\n\t\u003Cspan class=\"hljs-built_in\">type\u003C/span>=\u003Cspan class=\"hljs-string\">"custom_model"\u003C/span>\n)\u003C/code>\u003C/pre>",1781121855720]