-
1-Créer son espace de travail Azure Machine Learning
03:37
-
2-Découvrir l’environnement de travail Machine Learning Service
04:52
-
3-Comprendre le cycle de vie d’une expérimentation Machine Learning
05:32
-
4-Charger les données d’entraînement
03:28
-
5-Définir les données d’entraînement
04:42
-
6-Charger les données dans un pipeline
00:00
-
7-Nettoyer les données et remplacer des valeurs manquantes
05:54
-
8-Supprimer des lignes de données dupliquées
05:41
-
9-Détecter les valeurs aberrantes dans un jeu de données
05:51
-
10-Sélectionner des données
00:00
-
11-Entraîner un modèle
05:06
-
12-Évaluer un modèle prédictif
04:03
-
13-Aller plus loin dans l’évaluation du modèle
04:54
-
14-Configurer et déployer un modèle
00:00
-
15-Poursuivre la configuration du pipeline d’inférence
06:11
-
16-Finaliser la configuration du pipeline
03:53
-
17-Déployer son service web
02:49
-
18-Tester le service web déployé
05:30
-
19-Faire le point sur l’environnement Azure Machine Learning Studio
04:21