MECER MS-DP100T01 Σχεδιασμός και εφαρμογή της λύσης Data Science στο Azure
| ΔΙΑΡΚΕΙΑ | ΕΠΙΠΕΔΟ | ΤΕΧΝΟΛΟΓΙΑ | ΔΙΑΝΟΜΗ ΜΕΘΟΔΟΣ |
ΕΚΠΑΙΔΕΥΣΗ ΠΙΣΤΩΣΕΙΣ |
| 3 Ημέρες | Ενδιάμεσος | Γαλανός | Καθοδηγούμενος από εκπαιδευτές | NA |
ΕΙΣΑΓΩΓΗ
Αποκτήστε τις απαραίτητες γνώσεις σχετικά με τον τρόπο χρήσης των υπηρεσιών Azure για την ανάπτυξη, εκπαίδευση και ανάπτυξη λύσεων μηχανικής εκμάθησης. Το μάθημα ξεκινά με ένα overview των υπηρεσιών Azure που υποστηρίζουν την επιστήμη δεδομένων. Από εκεί, εστιάζει στη χρήση της κορυφαίας υπηρεσίας επιστήμης δεδομένων του Azure, της υπηρεσίας Azure Machine Learning, για να αυτοματοποιήσει τη γραμμή επιστήμης δεδομένων. Αυτό το μάθημα επικεντρώνεται στο Azure και δεν διδάσκει στον μαθητή πώς να κάνει την επιστήμη των δεδομένων. Υποτίθεται ότι οι μαθητές το γνωρίζουν ήδη.
ΚΟΑΝΟ PROFILE
Αυτό το μάθημα απευθύνεται σε επιστήμονες δεδομένων και σε όσους έχουν σημαντικές ευθύνες στην εκπαίδευση και την ανάπτυξη μοντέλων μηχανικής μάθησης.
ΠΡΟΫΠΟΘΕΣΕΙΣ
Πριν παρακολουθήσουν αυτό το μάθημα, οι φοιτητές πρέπει να έχουν:
- Azure Fundamentals
- Κατανόηση της επιστήμης δεδομένων, συμπεριλαμβανομένου του τρόπου προετοιμασίας δεδομένων, εκπαίδευσης μοντέλων και αξιολόγησης ανταγωνιστικών μοντέλων για την επιλογή του καλύτερου.
- Πώς να προγραμματίσετε στη γλώσσα προγραμματισμού Python και να χρησιμοποιήσετε τις βιβλιοθήκες Python: pandas, scikit-learn, matplotlib και seaborn.
ΣΤΟΧΟΙ ΜΑΘΗΜΑΤΟΣ
Μετά την ολοκλήρωση αυτού του μαθήματος, οι φοιτητές θα είναι σε θέση:
- Κατανοήστε την επιστήμη δεδομένων στο Azure
- Χρησιμοποιήστε τη Μηχανική Εκμάθηση για να αυτοματοποιήσετε τη διαδικασία από άκρο σε άκρο
- Διαχειριστείτε και παρακολουθήστε την υπηρεσία Machine Learning
Ενότητα 1: Ξεκινώντας με το Azure Machine Learning
Σε αυτήν την ενότητα, θα μάθετε πώς να παρέχετε έναν χώρο εργασίας Azure Machine Learning και να τον χρησιμοποιείτε για τη διαχείριση στοιχείων μηχανικής εκμάθησης, όπως δεδομένα, υπολογισμούς, κώδικα εκπαίδευσης μοντέλων, καταγεγραμμένες μετρήσεις και εκπαιδευμένα μοντέλα. Θα μάθετε πώς να χρησιμοποιείτε το web-Βασισμένη στη διεπαφή στούντιο μηχανικής εκμάθησης Azure, καθώς και στο Azure Machine Learning SDK και εργαλεία προγραμματιστή, όπως το Visual Studio Code και τα Notebooks Jupyter για εργασία με τα στοιχεία του χώρου εργασίας σας.
Μαθήματα
- Εισαγωγή στη Μηχανική Εκμάθηση Azure
- Εργασία με το Azure Machine Learning
- Εργαστήριο: Δημιουργήστε έναν χώρο εργασίας Azure Machine Learning
- Παρέχετε έναν χώρο εργασίας Azure Machine Learning
- Χρησιμοποιήστε εργαλεία και κώδικα για να εργαστείτε με το Azure Machine Learning
Ενότητα 2: Οπτικά εργαλεία για τη μηχανική μάθηση
Αυτή η ενότητα παρουσιάζει τα οπτικά εργαλεία Automated Machine Learning και Designer, τα οποία μπορείτε να χρησιμοποιήσετε για να εκπαιδεύσετε, να αξιολογήσετε και να αναπτύξετε μοντέλα μηχανικής εκμάθησης χωρίς να γράφετε κώδικα.
Μαθήματα
- Αυτόματη μηχανική εκμάθηση
- Σχεδιαστής Azure Machine Learning
Εργαστήριο: Χρησιμοποιήστε την Αυτοματοποιημένη Μηχανική Εκμάθηση
Εργαστήριο: Χρησιμοποιήστε το Azure Machine Learning Designer
Μετά την ολοκλήρωση αυτής της ενότητας, θα μπορείτε
- Χρησιμοποιήστε την αυτοματοποιημένη μηχανική εκμάθηση για να εκπαιδεύσετε ένα μοντέλο μηχανικής μάθησης
- Χρησιμοποιήστε τον σχεδιαστή Azure Machine Learning για να εκπαιδεύσετε ένα μοντέλο
Ενότητα 3: Πειράματα τρεξίματος και μοντέλα προπόνησης
Σε αυτήν την ενότητα, θα ξεκινήσετε με πειράματα που ενσωματώνουν την επεξεργασία δεδομένων, τον κώδικα εκπαίδευσης μοντέλων και τα χρησιμοποιούν για την εκπαίδευση μοντέλων μηχανικής εκμάθησης. Μαθήματα
- Εισαγωγή στα Πειράματα
- Εκπαίδευση και εγγραφή μοντέλων
Εργαστήριο: Εκπαιδευτικά μοντέλα
Εργαστήριο: Εκτέλεση πειραμάτων
Μετά την ολοκλήρωση αυτής της ενότητας, θα μπορείτε
- Εκτελέστε πειράματα που βασίζονται σε κώδικα σε έναν χώρο εργασίας Azure Machine Learning
- Εκπαιδεύστε και καταχωρίστε μοντέλα μηχανικής εκμάθησης
Ενότητα 4: Εργασία με δεδομένα δεδομένων
είναι ένα θεμελιώδες στοιχείο σε κάθε φόρτο εργασίας μηχανικής εκμάθησης, επομένως σε αυτήν την ενότητα, θα μάθετε πώς να δημιουργείτε και να διαχειρίζεστε αποθήκες δεδομένων και σύνολα δεδομένων σε έναν χώρο εργασίας Azure Machine Learning και πώς να τα χρησιμοποιείτε σε πειράματα εκπαίδευσης μοντέλων.
Μαθήματα
- Εργασία με Datastores
- Εργασία με σύνολα δεδομένων
Εργαστήριο: Εργαστείτε με δεδομένα
Μετά την ολοκλήρωση αυτής της ενότητας, θα μπορείτε
- Δημιουργήστε και χρησιμοποιήστε αποθήκες δεδομένων
- Δημιουργία και χρήση συνόλων δεδομένων
Ενότητα 5: Εργασία με Υπολογιστή
Ένα από τα βασικά πλεονεκτήματα του cloud είναι η δυνατότητα αξιοποίησης υπολογιστικών πόρων κατά παραγγελία και χρήσης τους για την κλιμάκωση των διαδικασιών μηχανικής μάθησης σε βαθμό που θα ήταν ανέφικτος για το δικό σας υλικό. Σε αυτήν την ενότητα, θα μάθετε πώς να διαχειρίζεστε περιβάλλοντα πειράματος που διασφαλίζουν συνεπή συνέπεια χρόνου εκτέλεσης για πειράματα και πώς να δημιουργείτε και να χρησιμοποιείτε υπολογιστικούς στόχους για πειραματικές εκτελέσεις.
Μαθήματα
- Εργασία με περιβάλλοντα
- Εργασία με υπολογιστικούς στόχους
Εργαστήριο: Εργαστείτε με το Compute
Μετά την ολοκλήρωση αυτής της ενότητας, θα μπορείτε
- Δημιουργήστε και χρησιμοποιήστε περιβάλλοντα
- Δημιουργήστε και χρησιμοποιήστε υπολογιστικούς στόχους
Ενότητα 6: Ενορχήστρωση Επιχειρήσεων με Σωληνώσεις
Τώρα που κατανοείτε τα βασικά της εκτέλεσης φόρτου εργασίας ως πειράματα που αξιοποιούν στοιχεία δεδομένων και υπολογίζουν πόρους, ήρθε η ώρα να μάθετε πώς να ενορχηστρώνετε αυτούς τους φόρτους εργασίας ως αγωγούς συνδεδεμένων βημάτων. Οι αγωγοί είναι το κλειδί για την εφαρμογή μιας αποτελεσματικής λύσης Μηχανικής Λειτουργίας Εκμάθησης (ML Ops) στο Azure, επομένως θα εξερευνήσετε πώς να τις ορίσετε και να τις εκτελέσετε σε αυτήν την ενότητα.
Μαθήματα
- Εισαγωγή στους αγωγούς
- Έκδοση και λειτουργία αγωγών
Εργαστήριο: Δημιουργήστε έναν αγωγό
Μετά την ολοκλήρωση αυτής της ενότητας, θα μπορείτε
- Δημιουργήστε αγωγούς για να αυτοματοποιήσετε τις ροές εργασιών μηχανικής εκμάθησης
- Δημοσίευση και εκτέλεση υπηρεσιών αγωγών
Ενότητα 7: Ανάπτυξη και κατανάλωση μοντέλων
Τα μοντέλα έχουν σχεδιαστεί για να βοηθούν στη λήψη αποφάσεων μέσω προβλέψεων, επομένως είναι χρήσιμα μόνο όταν αναπτύσσονται και είναι διαθέσιμα για κατανάλωση από μια εφαρμογή. Σε αυτήν την ενότητα μάθετε πώς να αναπτύσσετε μοντέλα για εξαγωγή συμπερασμάτων σε πραγματικό χρόνο και για εξαγωγή συμπερασμάτων παρτίδας.
Μαθήματα
- Συμπεράσματα σε πραγματικό χρόνο
- Εξαγωγή συμπερασμάτων παρτίδας
- Συνεχής Ενοποίηση και Παράδοση
Εργαστήριο: Δημιουργήστε μια υπηρεσία συμπερασμάτων σε πραγματικό χρόνο
Εργαστήριο: Δημιουργήστε μια υπηρεσία συμπερασμάτων παρτίδας
Μετά την ολοκλήρωση αυτής της ενότητας, θα μπορείτε
- Δημοσιεύστε ένα μοντέλο ως υπηρεσία συμπερασμάτων σε πραγματικό χρόνο
- Δημοσιεύστε ένα μοντέλο ως υπηρεσία συμπερασμάτων παρτίδας
- Περιγράψτε τεχνικές για την εφαρμογή συνεχούς ολοκλήρωσης και παράδοσης
Ενότητα 8: Εκπαίδευση βέλτιστων μοντέλων
Με αυτό το stagε του μαθήματος, έχετε μάθει τη διαδικασία από άκρο σε άκρο για εκπαίδευση, ανάπτυξη και κατανάλωση μοντέλων μηχανικής εκμάθησης. αλλά πώς διασφαλίζετε ότι το μοντέλο σας παράγει τα καλύτερα προγνωστικά αποτελέσματα για τα δεδομένα σας; Σε αυτήν την ενότητα, θα εξερευνήσετε πώς μπορείτε να χρησιμοποιήσετε τον συντονισμό υπερπαραμέτρων και την αυτοματοποιημένη μηχανική εκμάθηση για να κάνετε advantage του cloud-scale υπολογίστε και βρείτε το καλύτερο μοντέλο για τα δεδομένα σας.
Μαθήματα
- Συντονισμός υπερπαραμέτρων
- Αυτόματη μηχανική εκμάθηση
Εργαστήριο: Χρησιμοποιήστε την αυτόματη εκμάθηση μηχανών από το SDK
Εργαστήριο: Συντονισμός υπερπαραμέτρων Αφού ολοκληρώσετε αυτήν την ενότητα, θα μπορείτε
- Βελτιστοποίηση υπερπαραμέτρων για εκπαίδευση μοντέλων
- Χρησιμοποιήστε την αυτοματοποιημένη μηχανική εκμάθηση για να βρείτε το βέλτιστο μοντέλο για τα δεδομένα σας
Ενότητα 9: Υπεύθυνη Μηχανική Μάθηση
Οι επιστήμονες δεδομένων έχουν καθήκον να διασφαλίζουν ότι αναλύουν δεδομένα και εκπαιδεύουν υπεύθυνα μοντέλα μηχανικής μάθησης. τον σεβασμό του ατομικού απορρήτου, τον μετριασμό της μεροληψίας και τη διασφάλιση της διαφάνειας. Αυτή η ενότητα διερευνά ορισμένες σκέψεις και τεχνικές για την εφαρμογή αρχών υπεύθυνης μηχανικής μάθησης. Μαθήματα
- Διαφορικό απόρρητο
- Ερμηνευσιμότητα Μοντέλου
- Δικαιοσύνη
Εργαστήριο: Εξερευνήστε τη Διαφορική provacy
Εργαστήριο: Ερμηνεύουν Μοντέλα
Εργαστήριο: Εντοπισμός και μετριασμός της αδικίας Αφού ολοκληρώσετε αυτήν την ενότητα, θα μπορείτε
- Εφαρμόστε διαφορική απόδειξη στην ανάλυση δεδομένων
- Χρησιμοποιήστε επεξηγητές για να ερμηνεύσετε μοντέλα μηχανικής μάθησης
- Αξιολογήστε τα μοντέλα για δικαιοσύνη
Ενότητα 10: Μοντέλα παρακολούθησης
Μετά την ανάπτυξη ενός μοντέλου, είναι σημαντικό να κατανοήσουμε πώς χρησιμοποιείται το μοντέλο στην παραγωγή και να ανιχνεύσουμε τυχόν υποβάθμιση της αποτελεσματικότητάς του λόγω μετατόπισης δεδομένων. Αυτή η ενότητα περιγράφει τεχνικές για την παρακολούθηση μοντέλων και των δεδομένων τους. Μαθήματα
- Παρακολούθηση μοντέλων με Application Insights
- Παρακολούθηση Μετακίνησης Δεδομένων
Εργαστήριο: Παρακολούθηση Μετακίνησης Δεδομένων
Εργαστήριο: Παρακολούθηση ενός μοντέλου με Application Insights
Μετά την ολοκλήρωση αυτής της ενότητας, θα μπορείτε
- Χρησιμοποιήστε το Application Insights για να παρακολουθήσετε ένα δημοσιευμένο μοντέλο
- Παρακολούθηση μετατόπισης δεδομένων
ΣΥΝΔΕΤΗ ΠΙΣΤΟΠΟΙΗΣΕΙΣ & ΕΞΕΤΑΣΕΙΣ
Αυτό το μάθημα θα προετοιμάσει τους αντιπροσώπους να γράψουν την εξέταση Microsoft DP-100: Designing and Implementing a Data Science Solution on Azure.
Έγγραφα / Πόροι
 |
MECER MS-DP100T01 Σχεδιασμός και εφαρμογή της λύσης Data Science στο Azure [pdf] Οδηγός χρήστη MS-DP100T01 Σχεδιασμός και εφαρμογή Λύσης Επιστήμης Δεδομένων στο Azure, MS-DP100T01, Σχεδιασμός και εφαρμογή Λύσης Επιστήμης Δεδομένων στο Azure |
