Dans vos locaux
Pour ancrer les apprentissages et encourager la dynamique collective.
Formation Machine Learning avec Microsoft Azure et Python : de la conception au déploiement de modèles
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.
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.
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential
# Connexion au Workspace Azure ML
ml_client = MLClient(
DefaultAzureCredential(),
subscription_id,
resource_group,
workspace
)
# Enregistrement d'un modèle entraîné
model = ml_client.models.create_or_update(
name="my_model",
path="outputs/model.pkl",
type="custom_model"
)Description 
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.
Les objectifs
Maîtriser les concepts fondamentaux du Machine Learning appliqué sur Azure
Configurer et gérer un workspace Azure Machine Learning
Préparer, explorer et prétraiter des datasets pour l’entraînement de modèles
Concevoir, entraîner, évaluer et comparer des modèles ML en Python
Automatiser et orchestrer des pipelines d’apprentissage
Déployer des modèles comme services prédictifs et suivre leur performance
Appliquer les bonnes pratiques de sécurité et de gouvernance des modèles ML
Public visé
Développeurs, data scientists et ingénieurs ML souhaitant exploiter Azure Machine Learning avec Python
Ingénieurs DevOps ou MLOps intégrant des workflows ML dans le cloud
Architectes techniques et experts cloud-data
Chefs de projet ou responsables techniques souhaitant comprendre le cycle complet de Machine Learning en production
Prérequis
Maîtrise de Python et de ses bibliothèques scientifiques (numpy, pandas, scikit-learn)
Connaissance générale des concepts de machine learning (supervisé, non supervisé, validation)
Notions d’accès à des services cloud et compréhension des concepts Azure
Capacité à utiliser un environnement de développement Python (PyCharm, VS Code ou équivalent)
Notions d’architecture applicative et pipelines de données
Le programme
Jour 1
Matinée
1. Introduction et préparation de l’environnement
- Introduction au Machine Learning
- Différence entre apprentissage supervisé, non supervisé et par renforcement
- Cas d’usage concrets dans l’entreprise (prédiction de ventes, détection de fraudes, analyse client)
- Limites et défis du ML (qualité des données, biais, surapprentissage)
- Présentation de l’écosystème Azure Machine Learning
- Concept de workspace, compute, datasets et experiments
- Différence entre environnement cloud et local pour le développement ML
- Mise en place de l’environnement de travail
- Installation et configuration des SDK Azure ML pour Python
- Création d’un workspace Azure ML
- Connexion à un cluster de calcul Azure pour l’entraînement
- Atelier pratique
- Création d’un workspace et d’un cluster de calcul
- Importation d’un dataset d’exemple dans Azure ML
- Exploration initiale du dataset (statistiques descriptives, visualisations simples
- 
Après-midi
2. Prétraitement et analyse des données
- Analyse exploratoire et visualisation des données
- Histogrammes, diagrammes de corrélation, boxplots
- Identification des valeurs manquantes et aberrantes
- Prétraitement des données
- Nettoyage : gestion des valeurs manquantes et des doublons
- Normalisation et standardisation
- Encodage des variables catégorielles
- Feature engineering
- Création de nouvelles variables à partir des existantes
- Sélection des features pertinentes pour le modèle
- Atelier pratique
- Prétraitement complet d’un dataset réel
- Construction d’un jeu de données prêt pour l’entraînement
- 
Jour 2
Matinée
3. Création et entraînement des modèles
- Choix des modèles ML selon le type de problème
- Régression, classification, clustering
- Avantages et limites de chaque algorithme
- Implémentation avec Python et Azure ML SDK
- Création d’expériences pour l’entraînement de modèles
- Suivi des runs et journalisation des métriques
- Évaluation des modèles
- Mesures de performance : précision, recall, F1-score, RMSE
- Validation croisée et courbes d’apprentissage
- Atelier pratique
- Entraînement de plusieurs modèles sur le dataset préparé
- Comparaison des résultats et sélection du modèle le plus performant
- 
Après-midi
4. Pipelines et automatisation
- Introduction aux pipelines Azure ML
- Définition et avantages d’un pipeline pour la production
- Composants : étapes, inputs/outputs, compute
- Création d’un pipeline d’entraînement automatisé
- Définition des étapes de prétraitement, d’entraînement et d’évaluation
- Automatisation des tests et réentraînements
- Optimisation des workflows ML
- Hyperparameter tuning avec Azure ML
- Gestion des ressources et coûts
- Atelier pratique
- Création d’un pipeline complet pour un modèle ML
- Exécution et suivi du pipeline dans Azure
Jour 3
Matinée
5. Déploiement et mise en production
- Déploiement de modèles sur Azure
- Création d’un endpoint web pour le modèle
- Gestion des versions et rollback
- Consommation d’un modèle via API
- Test des prédictions avec des clients Python
- Intégration dans une application ou tableau de bord
- Atelier pratique
- Déploiement d’un modèle en endpoint Azure ML
- Envoi de données et récupération des prédictions
Après-midi
6. Monitoring, gouvernance et synthèse
- Surveillance et suivi des modèles
- Suivi des métriques en temps réel
- Détection de dérive des modèles (data drift et concept drift)
- Sécurité et gouvernance
- Gestion des accès et authentification
- Bonnes pratiques pour la production ML
- Cas pratique complet
- Projet intégrant toutes les étapes : préparation, entraînement, pipeline, déploiement et monitoring
- Synthèse et évaluation des acquis
- Retour sur tous les modules
- Bilan pratique : participants démontrent le déploiement d’un modèle complet
Dernière mise à jour : 28 avril 2026
En présentiel ou à distance : à vous de choisir
En classe virtuelle
Pour allier flexibilité et interactions en temps réel avec le formateur.
Dans nos locaux
Pour favoriser la concentration, les échanges et le confort des apprenants.
Les modalités de formation
Suivi et évaluation :
- Recueil des besoins en amont pour identifier les attentes du stagiaire
- Évaluation continue : études de cas et travaux pratiques pendant la formation
- Évaluation finale : questionnaire d'auto-évaluation
Format et encadrement :
- Formation équilibrée alliant théorie et pratique (minimum 50%)
- Sessions en petits groupes (2 à 9 participants) pour un suivi personnalisé
- Émargement par demi-journée et remise d'une attestation de formation
Moyens pédagogiques et techniques :
- Méthodes interactives et suivi des acquis : travaux pratiques, projet fil rouge, mises en situation, démonstrations, QCM…
- Les stagiaires doivent être équipés de leur matériel informatique pour suivre la formation, que ce soit dans nos locaux ou sur site externe.
- Il appartient au client de veiller à ce que le matériel mis à disposition soit conforme aux prérequis techniques indiqués dans le programme de formation.
- Accessibilité : nous informons l'ensemble de nos clients et stagiaires que nous sommes dans la capacité d'adapter les sessions en cas de situations spécifiques. Nous nous engageons à répondre à toutes les demandes dans un délai de 48h ouvré.
Conditions et délais d'accès :
- Si l'une de nos formations vous intéresse, contactez-nous au +33 04 93 65 34 24 ou à l'adresse mail contact@le-code.dev. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d'adapter la formation et ses modules, puis nous vous adresserons un devis. Les dates de la formation seront à convenir sous 30 jours maximum.
- Concernant les formations Actions Collectives, l'inscription est possible jusqu'à 24h ouvrées avant le début de la formation.