Entraîner le modèle

De nombreux services sont disponibles pour effectuer l'apprentissage des modèles Machine Learning. Le service que vous utilisez dépend de facteurs tels que :

• Le type de modèle que vous devez entraîner,
• Si vous avez besoin d’un contrôle total sur l’entraînement du modèle,
• Combien de temps vous souhaitez investir dans l’entraînement du modèle,
• Quels services sont déjà fournis dans votre organisation,
• Quel langage de programmation vous préférez utiliser.

Dans Azure, plusieurs services sont disponibles pour la formation des modèles Machine Learning. Certains services couramment utilisés incluent :

Icône	Descriptif
	Azure Machine Learning vous offre de nombreuses options différentes pour entraîner et gérer vos modèles Machine Learning. Vous pouvez choisir d’utiliser Studio pour une expérience basée sur l’interface utilisateur ou de gérer vos charges de travail Machine Learning avec le Kit de développement logiciel (SDK) Python ou l’interface CLI pour une expérience basée sur le code. En savoir plus sur Azure Machine Learning.
	Azure Databricks est une plateforme d’analytique des données que vous pouvez utiliser pour l’ingénierie des données et la science des données. Azure Databricks utilise le calcul Spark distribué pour traiter efficacement vos données. Vous pouvez choisir d’effectuer l'apprentissage et de gérer des modèles avec Azure Databricks ou en intégrant Azure Databricks à d’autres services tels qu’Azure Machine Learning. En savoir plus sur Azure Databricks.
	Microsoft Fabric est une plateforme d’analytique intégrée conçue pour simplifier les flux de travail de données entre les analystes de données, les ingénieurs données et les scientifiques des données. Avec Microsoft Fabric, vous pouvez préparer les données, entraîner un modèle, utiliser le modèle entraîné pour générer des prédictions et visualiser les données dans les rapports Power BI. En savoir plus sur Microsoft Fabric, et plus précisément sur les fonctionnalités de science des données dans Microsoft Fabric.
	Foundry Tools est une collection de modèles Machine Learning prédéfinis que vous pouvez utiliser pour les tâches courantes de Machine Learning telles que la détection d’objets dans les images. Les modèles sont proposés sous forme d’interface de programmation d’application (API), ce qui vous permet d’intégrer facilement un modèle à votre application. Certains modèles peuvent être personnalisés avec vos propres données de formation, ce qui permet de gagner du temps et des ressources pour effectuer l'apprentissage d’un nouveau modèle à partir de zéro. En savoir plus sur Foundry Tools.

Fonctionnalités et capacités d’Azure Machine Learning

Concentrons-nous sur Azure Machine Learning. Microsoft Azure Machine Learning est un service cloud pour l’apprentissage, le déploiement et la gestion des modèles Machine Learning. Il est conçu pour être utilisé par les scientifiques des données, les ingénieurs logiciels, les professionnels devops et d’autres pour gérer le cycle de vie de bout en bout des projets Machine Learning.

Azure Machine Learning prend en charge les tâches, notamment :

• Exploration des données et préparation de celles-ci pour la modélisation.
• Formation et évaluation des modèles Machine Learning.
• Inscription et gestion des modèles entraînés.
• Déploiement de modèles entraînés pour une utilisation par les applications et les services.
• Examen et application des principes et pratiques responsables de l’IA.

Azure Machine Learning fournit les fonctionnalités et capacités suivantes pour prendre en charge les charges de travail de machine learning :

• Stockage centralisé et gestion des jeux de données pour l’entraînement et l’évaluation des modèles.
• Ressources de calcul à la demande sur lesquelles vous pouvez exécuter des travaux Machine Learning, tels que l’entraînement d’un modèle.
• Le Machine Learning automatisé (AutoML), qui facilite l’exécution de plusieurs travaux d’apprentissage avec différents algorithmes et paramètres pour trouver le meilleur modèle pour vos données.
• Outils visuels permettant de définir des pipelines orchestrés pour des processus tels que l’entraînement de modèle ou l’inférence.
• Intégration à des frameworks Machine Learning courants tels que MLflow, ce qui facilite la gestion de l’entraînement, de l’évaluation et du déploiement de modèles à grande échelle.
• Prise en charge intégrée de la visualisation et de l’évaluation des métriques pour l’IA responsable, notamment l’explication du modèle, l’évaluation de l’équité et d’autres.

Ensuite, voyons comment commencer à utiliser Azure Machine Learning dans une interface utilisateur.