Cours
Comprendre Microsoft Azure
3 h
49.9K
Azure Machine Learning (Azure ML) est un service cloud complet couvrant tout le cycle de vie d’un projet de machine learning, destiné aux data scientists, spécialistes du machine learning et ingénieurs. Il s’intègre parfaitement à l’écosystème Azure et offre une plateforme robuste pour créer, déployer et gérer des modèles de machine learning.
Cet article vous guide à travers l’essentiel d’Azure Machine Learning, de la prise en main à l’utilisation de fonctionnalités avancées, afin que vous puissiez exploiter cette plateforme puissante avec efficacité. Si vous débutez, consultez notre guide dédié à la configuration d’Azure.
Vue d’ensemble d’Azure Machine Learning
Azure Machine Learning (ML) accélère le cycle de vie du machine learning en proposant des outils pour l’entraînement, le déploiement et la gestion des modèles. Il facilite la collaboration grâce à l’interface Machine Learning studio, où les utilisateurs peuvent partager et retrouver des actifs, des ressources et des métriques de projet.
Cette plateforme est ouverte et interopérable : elle prend en charge les frameworks Python courants comme PyTorch, TensorFlow, scikit-learn, entre autres, ainsi que R et .NET.
Azure ML se distingue par un niveau de sécurité entreprise, avec une intégration à Azure Virtual Networks, Azure Key Vault et Azure Container Registry, garantissant des projets de machine learning sécurisés et collaboratifs.
À qui s’adresse Azure Machine Learning ?
Azure Machine Learning s’adresse aux personnes et aux équipes qui intègrent le MLOps pour déployer efficacement des modèles de machine learning dans des environnements de production sécurisés et auditables.
Les data scientists et les ingénieurs ML disposent d’une suite d’outils pour fluidifier et améliorer leurs flux de travail, leur permettant de se concentrer sur l’innovation plutôt que sur les tâches répétitives.
Les développeurs d’applications bénéficient d’outils complets pour intégrer facilement des modèles de machine learning dans des applications ou services, améliorant ainsi les fonctionnalités et l’expérience utilisateur.
Pour les organisations opérant dans l’écosystème cloud Microsoft Azure, l’avantage supplémentaire réside dans l’utilisation des cadres de sécurité familiers d’Azure et des contrôles d’accès basés sur les rôles.
Guide étape par étape pour configurer votre espace de travail Azure ML 
Créer un espace de travail ML sur Azure
- Connectez-vous au portail Azure : Commencez par vous connecter à votre compte du portail Azure, ou créez-en un si nécessaire.
- Recherchez Azure Machine Learning : Utilisez la recherche du portail pour trouver et sélectionner « Machine Learning » parmi les services.
- Lancez la création de l’espace de travail : Cliquez sur « Create » pour démarrer la configuration d’un nouvel espace de travail Machine Learning.
- Configurez les paramètres de base :
- Subscription : Sélectionnez votre abonnement Azure de facturation.
- Resource Group : Utilisez un groupe existant ou créez-en un nouveau pour organiser vos ressources Azure.
- Workspace Name : Donnez un nom unique à votre espace de travail.
- Region : Choisissez une région, idéalement proche de vous ou de vos sources de données.
- Définissez les ressources associées :
- Storage Account : Associez un compte de stockage existant ou nouveau pour les fichiers de projet.
- Key Vault : Sélectionnez ou créez un coffre de clés pour stocker les secrets en toute sécurité.
- Application Insights : Optez pour une ressource Application Insights afin de superviser vos applications.
- Container Registry : Indiquez un registre de conteneurs pour les modèles ou services conteneurisés.
- Vérifiez et déployez : Contrôlez vos paramètres, puis cliquez sur « Review + create » pour que Azure valide votre configuration.
Azure Machine Learning Studio
Azure Machine Learning Studio est l’un des composants clés d’Azure Machine Learning (ML). Il s’agit d’un environnement de développement intégré (IDE) avec interface graphique, conçu pour créer et industrialiser des workflows de machine learning sur Azure.
Il rationalise le processus, de la préparation des données au déploiement des modèles, avec une expérience sans code ou low-code qui rend le machine learning accessible à un large public, des débutants aux data scientists expérimentés.
La force d’Azure ML Studio réside dans sa simplicité et sa puissance. Son interface intuitive en glisser-déposer simplifie la création, l’entraînement et le déploiement de modèles sans exiger de solides compétences en programmation.
Il reste néanmoins suffisamment robuste pour des workflows complexes, avec des fonctionnalités comme l’Automated ML (AutoML) et le ML Designer pour construire des pipelines personnalisés et contrôlés.
ML Studio s’intègre aussi naturellement à l’écosystème Azure, avec des outils pour superviser les applications et services, stocker les secrets de manière sécurisée et gérer les ressources de calcul. Il favorise la collaboration via des notebooks et expériences partagés, permettant aux équipes de travailler efficacement ensemble sur des projets de machine learning.
Pour les data scientists qui préfèrent coder, ML Studio propose le SDK Azure, qui permet d’interagir en Python avec les ressources et expériences de ML Studio, faisant le lien entre les approches sans code/low-code et celles orientées code.
Cette flexibilité permet à Azure ML Studio de répondre à un large éventail de besoins et de préférences, des amateurs de programmation visuelle et de simplicité en glisser-déposer à celles et ceux qui privilégient le contrôle et la personnalisation offerts par le code.
Azure Automated Machine Learning (AutoML)
Automated ML (AutoML) est l’un des composants centraux d’Azure Machine Learning. Il est reconnu pour sa capacité à automatiser la sélection des algorithmes et des hyperparamètres, ce qui fluidifie l’entraînement des modèles.
Les utilisateurs indiquent simplement le jeu de données, la tâche de machine learning (p. ex. classification, régression) et quelques paramètres optionnels, et Azure ML Studio se charge du reste pour fournir le modèle le plus performant au regard des critères définis.
Cela accélère le cycle de développement et démocratise l’accès au machine learning, permettant à des profils de tous niveaux de participer à des projets ML.
L’utilisation du service AutoML dans Azure ML est simple. Suivez ces étapes :
- Navigation : Accédez à « Automated ML » dans la section « Authoring ».
- Nouveau job : Cliquez sur « + New automated ML job ».
- Sélection des données : Choisissez un actif de données existant ou créez-en un nouveau, en veillant à un format tabulaire avec la colonne cible.
- Configuration de l’expérience : Nommez votre expérience et choisissez le type de ressource de calcul.
- Paramétrage de la tâche : Sélectionnez le type de tâche (classification, régression ou prévision) et définissez des réglages comme la métrique principale et les modèles bloqués.
- Lancement : Finalisez votre configuration et démarrez l’expérience.
Développer des modèles de machine learning avec du code dans Azure ML
Si l’interface sans code en glisser-déposer d’Azure ML Studio séduit un grand nombre d’utilisateurs, elle ne suffit pas toujours. Pour les cas qui exigent davantage de personnalisation et de contrôle, Azure ML permet le développement via son SDK, principalement en Python.
Les data scientists et développeurs peuvent ainsi construire et gérer leurs workflows de machine learning par programmation, avec la flexibilité d’intégrer des bases de code existantes et d’exploiter des techniques avancées.
Le SDK permet d’automatiser des tâches comme la préparation des données, l’entraînement de modèles, l’optimisation des hyperparamètres et le déploiement, en phase avec des exigences projets plus complexes.
Avec le SDK Azure ML, vous pouvez développer et évaluer des modèles à l’aide de code ML standard directement dans votre environnement de développement local, tel que VS Code.
Ce dispositif permet d’exploiter les ressources de calcul d’Azure pour exécuter les jobs d’entraînement. Le processus commence par la création d’un ml_client servant de connexion à l’espace de travail Azure, afin de gérer les ressources et d’orchestrer les jobs dans cet environnement.
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential
# authenticate
credential = DefaultAzureCredential()
SUBSCRIPTION="<SUBSCRIPTION_ID>"
RESOURCE_GROUP="<RESOURCE_GROUP>"
WS_NAME="<AML_WORKSPACE_NAME>"
# Get a handle to the workspace
ml_client = MLClient(
credential=credential,
subscription_id=SUBSCRIPTION,
resource_group_name=RESOURCE_GROUP,
workspace_name=WS_NAME,
)
Pour consulter le code d’entraînement complet, voyez le tutoriel officiel.
Conclusion et prochaines étapes
Azure Machine Learning se distingue par sa capacité à simplifier le cycle de vie des projets de machine learning, avec un large éventail de fonctionnalités allant de l’entraînement au déploiement des modèles. Il s’adresse à un public varié, des data scientists aux développeurs d’applications, en fournissant des outils qui stimulent la productivité et l’innovation.
Grâce à son intégration dans l’écosystème Azure, Azure ML garantit des projets à la fois avancés et sécurisés. La plateforme allie accessibilité et profondeur, avec une interface conviviale dans ML Studio et de vastes capacités de codage via le SDK, confirmant son rôle central dans le domaine du machine learning.
Pour approfondir votre maîtrise d’Azure et développer davantage vos compétences, explorez les formations et certifications sur DataCamp. Que vous découvriez Azure ou souhaitiez valider votre expertise, des ressources comme le cours Introduction to Azure, la certification Azure Fundamentals et le cours complet Azure Architecture and Services vous offriront des éclairages précieux.
Pour un parcours d’apprentissage structuré, le parcours Azure Fundamentals propose une progression guidée sur les notions clés.