MECER MS-DP100T01 Entwerfen und Implementieren einer Data-Science-Lösung auf Azure
| DAUER | EBENE | TECHNOLOGIE | LIEFERUNG VERFAHREN |
AUSBILDUNG CREDITS |
| 3 Tage | Dazwischenliegend | Azurblau | Instruktor geführt | NA |
EINFÜHRUNG
Erwerben Sie das notwendige Wissen über die Verwendung von Azure-Diensten zum Entwickeln, Trainieren und Bereitstellen von Lösungen für maschinelles Lernen. Der Kurs beginnt mit einem Overview von Azure-Diensten, die Data Science unterstützen. Von dort aus konzentriert es sich auf die Verwendung des führenden Data-Science-Dienstes von Azure, des Azure Machine Learning-Dienstes, um die Data-Science-Pipeline zu automatisieren. Dieser Kurs konzentriert sich auf Azure und bringt dem Teilnehmer nicht bei, wie man Data Science betreibt. Es wird davon ausgegangen, dass die Schüler das bereits wissen.
PUBLIKUM PROFILE
Dieser Kurs richtet sich an Datenwissenschaftler und Personen mit erheblicher Verantwortung für die Schulung und Bereitstellung von Modellen für maschinelles Lernen.
VORAUSSETZUNGEN
Vor der Teilnahme an diesem Kurs müssen die Studierenden über Folgendes verfügen:
- Azure-Grundlagen
- Verständnis der Datenwissenschaft, einschließlich der Vorbereitung von Daten, des Trainierens von Modellen und der Bewertung konkurrierender Modelle, um das beste auszuwählen.
- Wie man in der Programmiersprache Python programmiert und die Python-Bibliotheken verwendet: pandas, scikit-learn, matplotlib und seaborn.
KURSZIELE
Nach Abschluss dieses Kurses können die Studierenden:
- Verstehen Sie die Data Science in Azure
- Verwenden Sie maschinelles Lernen, um den End-to-End-Prozess zu automatisieren
- Verwalten und überwachen Sie den Dienst für maschinelles Lernen
Modul 1: Erste Schritte mit Azure Machine Learning
In diesem Modul erfahren Sie, wie Sie einen Azure Machine Learning-Arbeitsbereich bereitstellen und ihn zum Verwalten von Machine Learning-Ressourcen wie Daten, Compute, Modelltrainingscode, protokollierten Metriken und trainierten Modellen verwenden. Sie lernen den Umgang mit der web-basierte Azure Machine Learning Studio-Oberfläche sowie das Azure Machine Learning SDK und Entwicklertools wie Visual Studio Code und Jupyter Notebooks, um mit den Assets in Ihrem Arbeitsbereich zu arbeiten.
Unterricht
- Einführung in Azure Machine Learning
- Arbeiten mit Azure Machine Learning
- Labor: Erstellen Sie einen Azure Machine Learning-Arbeitsbereich
- Stellen Sie einen Azure Machine Learning-Arbeitsbereich bereit
- Verwenden Sie Tools und Code, um mit Azure Machine Learning zu arbeiten
Modul 2: Visuelle Tools für maschinelles Lernen
Dieses Modul stellt die visuellen Tools Automated Machine Learning und Designer vor, mit denen Sie Machine Learning-Modelle trainieren, bewerten und bereitstellen können, ohne Code schreiben zu müssen.
Unterricht
- Automatisiertes maschinelles Lernen
- Azure Machine Learning-Designer
Labor: Verwenden Sie automatisiertes maschinelles Lernen
Labor: Verwenden Sie den Azure Machine Learning-Designer
Nach Abschluss dieses Moduls sind Sie in der Lage
- Verwenden Sie automatisiertes maschinelles Lernen, um ein maschinelles Lernmodell zu trainieren
- Verwenden Sie den Azure Machine Learning-Designer, um ein Modell zu trainieren
Modul 3: Laufende Experimente und Trainingsmodelle
In diesem Modul beginnen Sie mit Experimenten, die Datenverarbeitung kapseln, Trainingscode modellieren und diese zum Trainieren von Modellen für maschinelles Lernen verwenden. Unterricht
- Einführung in Experimente
- Modelle trainieren und registrieren
Labor: Modelle trainieren
Labor: Experimente durchführen
Nach Abschluss dieses Moduls sind Sie in der Lage
- Führen Sie codebasierte Experimente in einem Azure Machine Learning-Arbeitsbereich aus
- Trainieren und registrieren Sie Modelle für maschinelles Lernen
Modul 4: Arbeiten mit Daten Daten
ist ein grundlegendes Element in jeder Workload für maschinelles Lernen. Daher lernen Sie in diesem Modul, wie Sie Datenspeicher und Datasets in einem Azure Machine Learning-Arbeitsbereich erstellen und verwalten und wie Sie sie in Modelltrainingsexperimenten verwenden.
Unterricht
- Arbeiten mit Datenspeichern
- Arbeiten mit Datensätzen
Labor: Arbeiten Sie mit Daten
Nach Abschluss dieses Moduls sind Sie in der Lage
- Datenspeicher erstellen und verwenden
- Datensätze erstellen und verwenden
Modul 5: Arbeiten mit Compute
Einer der Hauptvorteile der Cloud ist die Möglichkeit, Rechenressourcen nach Bedarf zu nutzen und damit maschinelle Lernprozesse in einem Ausmaß zu skalieren, das auf Ihrer eigenen Hardware nicht realisierbar wäre. In diesem Modul lernen Sie, wie Sie Experimentumgebungen verwalten, die eine konsistente Laufzeitkonsistenz für Experimente gewährleisten, und wie Sie Rechenziele für Experimentausführungen erstellen und verwenden.
Unterricht
- Arbeiten mit Umgebungen
- Arbeiten mit Rechenzielen
Labor: Arbeiten Sie mit Compute
Nach Abschluss dieses Moduls sind Sie in der Lage
- Umgebungen erstellen und verwenden
- Computeziele erstellen und verwenden
Modul 6: Orchestrieren von Vorgängen mit Pipelines
Nachdem Sie nun die Grundlagen zum Ausführen von Workloads als Experimente verstanden haben, die Datenbestände und Rechenressourcen nutzen, ist es an der Zeit zu lernen, wie Sie diese Workloads als Pipelines verbundener Schritte orchestrieren. Pipelines sind der Schlüssel zur Implementierung einer effektiven Machine Learning Operationalization (ML Ops)-Lösung in Azure, daher erfahren Sie in diesem Modul, wie Sie sie definieren und ausführen.
Unterricht
- Einführung in Pipelines
- Veröffentlichen und Ausführen von Pipelines
Labor: Erstellen Sie eine Pipeline
Nach Abschluss dieses Moduls sind Sie in der Lage
- Erstellen Sie Pipelines, um Workflows für maschinelles Lernen zu automatisieren
- Veröffentlichen und Ausführen von Pipelinediensten
Modul 7: Bereitstellen und Verwenden von Modellen
Modelle sollen die Entscheidungsfindung durch Vorhersagen unterstützen, daher sind sie nur nützlich, wenn sie bereitgestellt werden und für eine Anwendung verfügbar sind. In diesem Modul erfahren Sie, wie Sie Modelle für Echtzeit-Inferenzen und für Batch-Inferenzen bereitstellen.
Unterricht
- Echtzeit-Inferenz
- Batch-Inferenz
- Kontinuierliche Integration und Bereitstellung
Labor: Erstellen Sie einen Echtzeit-Inferenzdienst
Labor: Erstellen Sie einen Batch-Rückschlussdienst
Nach Abschluss dieses Moduls sind Sie in der Lage
- Veröffentlichen Sie ein Modell als Echtzeit-Inferenzdienst
- Veröffentlichen Sie ein Modell als Batch-Inferenzdienst
- Beschreiben Sie Techniken zur Implementierung von Continuous Integration und Delivery
Modul 8: Training optimaler Modelle
Durch diese stagAm Ende des Kurses haben Sie den End-to-End-Prozess zum Trainieren, Bereitstellen und Verwenden von Modellen für maschinelles Lernen erlernt. Aber wie stellen Sie sicher, dass Ihr Modell die besten Vorhersageergebnisse für Ihre Daten liefert? In diesem Modul erfahren Sie, wie Sie Hyperparameter-Tuning und automatisiertes maschinelles Lernen nutzen können, um Vorteile zu erzielentage von Cloud-Computing und finden Sie das beste Modell für Ihre Daten.
Unterricht
- Hyperparameter-Tuning
- Automatisiertes maschinelles Lernen
Labor: Verwenden Sie automatisiertes maschinelles Lernen aus dem SDK
Labor: Optimieren von Hyperparametern Nach Abschluss dieses Moduls werden Sie dazu in der Lage sein
- Optimieren Sie Hyperparameter für das Modelltraining
- Verwenden Sie automatisiertes maschinelles Lernen, um das optimale Modell für Ihre Daten zu finden
Modul 9: Verantwortliches maschinelles Lernen
Data Scientists haben die Pflicht sicherzustellen, dass sie Daten analysieren und maschinelle Lernmodelle verantwortungsbewusst trainieren; Achtung der Privatsphäre des Einzelnen, Minderung von Vorurteilen und Gewährleistung von Transparenz. In diesem Modul werden einige Überlegungen und Techniken zur Anwendung der Prinzipien des verantwortungsvollen maschinellen Lernens untersucht. Unterricht
- Differenzielle Privatsphäre
- Modellinterpretierbarkeit
- Fairness
Labor: Erkunden Sie die differenzielle Provacy
Labor: Modelle interpretieren
Labor: Unfairness erkennen und mindern Nach Abschluss dieses Moduls sind Sie dazu in der Lage
- Wenden Sie differenzielle Provacy auf die Datenanalyse an
- Verwenden Sie Erklärer, um Modelle für maschinelles Lernen zu interpretieren
- Bewerten Sie Modelle auf Fairness
Modul 10: Überwachungsmodelle
Nachdem ein Modell bereitgestellt wurde, ist es wichtig zu verstehen, wie das Modell in der Produktion verwendet wird, und jede Verschlechterung seiner Effektivität aufgrund von Datendrift zu erkennen. Dieses Modul beschreibt Techniken zur Überwachung von Modellen und deren Daten. Unterricht
- Überwachen von Modellen mit Application Insights
- Überwachung von Datendrift
Labor: Datendrift überwachen
Labor: Überwachen Sie ein Modell mit Application Insights
Nach Abschluss dieses Moduls sind Sie in der Lage
- Verwenden Sie Application Insights, um ein veröffentlichtes Modell zu überwachen
- Datendrift überwachen
ZUGEHÖRIGE ZERTIFIZIERUNGEN & PRÜFUNGEN
Dieser Kurs bereitet Teilnehmer darauf vor, die Prüfung Microsoft DP-100: Designing and Implementing a Data Science Solution on Azure zu schreiben.
Dokumente / Ressourcen
 |
MECER MS-DP100T01 Entwerfen und Implementieren einer Data-Science-Lösung auf Azure [pdf] Benutzerhandbuch MS-DP100T01 Entwerfen und Implementieren einer Data-Science-Lösung auf Azure, MS-DP100T01 Entwerfen und Implementieren einer Data-Science-Lösung auf Azure |
