MECER MS-DP100T01 Projektado kaj Realigo de Datuma Scienca Solvo Sur Azure
| DAŭro | NIVELO | TEKNOLOGIO | LIVERO METODO |
TRESNADO KREDITOJ |
| 3 Tagoj | Meza | Lazuro | Instruisto-gvidita | NA |
ENKONDUKO
Akiru la necesajn scion pri kiel uzi Azure-servojn por evoluigi, trejni kaj disfaldi, maŝinlernajn solvojn. La kurso komenciĝas per superview de Azure-servoj kiuj subtenas datuman sciencon. De tie, ĝi koncentriĝas pri uzado de la ĉefa datuma servo de Azure, Azure Machine Learning-servo, por aŭtomatigi la datuman sciencan dukton. Ĉi tiu kurso fokusiĝas al Azure kaj ne instruas al la studento kiel fari datuman sciencon. Oni supozas, ke studentoj jam scias tion.
AUDIENTO PROFILE
Ĉi tiu kurso celas datumajn sciencistojn kaj tiujn kun gravaj respondecoj pri trejnado kaj deplojado de maŝinlernado-modeloj.
PREKONDIĈOJ
Antaŭ ol ĉeesti ĉi tiun kurson, studentoj devas havi:
- Lazuraj Fundamentoj
- Kompreno de datumscienco inkluzive de kiel prepari datumojn, trejni modelojn kaj taksi konkurantajn modelojn por elekti la plej bonan.
- Kiel programi en la programlingvo Python kaj uzi la bibliotekojn Python: pandoj, scikit-learn, matplotlib kaj seaborn.
KURSOCELOJ
Post kompletigado de ĉi tiu kurso, studentoj povos:
- Komprenu la datuman sciencon en Azure
- Uzu Maŝinlernadon por aŭtomatigi la fin-al-finan procezon
- Administri kaj kontroli la Maŝinlernadon
Modulo 1: Komenci kun Azure Maŝina Lernado
En ĉi tiu modulo, vi lernos kiel provizi Azure Machine Learning laborspacon kaj uzi ĝin por administri maŝinlernajn aktivaĵojn kiel datumojn, komputi, modelan trejnadkodon, registritajn metrikojn kaj trejnitajn modelojn. Vi lernos kiel uzi la web-bazita Azure Machine Learning studio-interfaco same kiel la Azure Machine Learning SDK kaj programiloj kiel Visual Studio Code kaj Jupyter Notebooks por labori kun la aktivoj en via laborspaco.
Lecionoj
- Enkonduko al Azure Machine Learning
- Laborante kun Azure Maŝina Lernado
- Laboratorio: Kreu Azure Machine Learning Workspace
- Provizu Azure Machine Learning laborspacon
- Uzu ilojn kaj kodon por labori kun Azure Machine Learning
Modulo 2: Vidaj Iloj por Maŝina Lernado
Ĉi tiu modulo prezentas la vidajn ilojn por Aŭtomatigita Maŝinlernado kaj Designer, kiujn vi povas uzi por trejni, taksi kaj disfaldi modelojn de maŝinlernado sen skribi ajnan kodon.
Lecionoj
- Aŭtomata Maŝinlernado
- Azure Machine Learning Designer
Laboratorio: Uzu Aŭtomatigitan Maŝinan Lernadon
Laboratorio: Uzu Azure Machine Learning Designer
Post kompletigado de ĉi tiu modulo, vi povos
- Uzu aŭtomatigitan maŝinlernadon por trejni maŝinlernmodelon
- Uzu Azure Machine Learning-dezajnisto por trejni modelon
Modulo 3: Kurantaj Eksperimentoj kaj Trejnaj Modeloj
En ĉi tiu modulo, vi komencos kun eksperimentoj kiuj enkapsuligas datumtraktadon, modelan trejnadkodon, kaj uzos ilin por trejni maŝinlernajn modelojn. Lecionoj
- Enkonduko al Eksperimentoj
- Trejnado kaj Registrado de Modeloj
Laboratorio: Trajnaj Modeloj
Laboratorio: Kuru Eksperimentojn
Post kompletigado de ĉi tiu modulo, vi povos
- Rulu kod-bazitajn eksperimentojn en Azure Machine Learning laborspaco
- Trejnu kaj registri maŝinlernajn modelojn
Modulo 4: Laborante kun Datumoj
estas fundamenta elemento en iu ajn maŝinlernada laborkvanto, do en ĉi tiu modulo, vi lernos kiel krei kaj administri datumvendejojn kaj datumarojn en Azure Machine Learning laborspaco, kaj kiel uzi ilin en modeltrejnadaj eksperimentoj.
Lecionoj
- Laborante kun Datumvendejoj
- Laborante kun Datumaroj
Laboratorio: Laboru kun Datumoj
Post kompletigado de ĉi tiu modulo, vi povos
- Kreu kaj uzu datumbutikojn
- Kreu kaj uzu datumarojn
Modulo 5: Laborante kun Komputado
Unu el la ĉefaj avantaĝoj de la nubo estas la kapablo utiligi komputajn rimedojn laŭpeto kaj uzi ilin por skali maŝinlernajn procezojn ĝis mezuro, kiu estus nefarebla sur via propra aparataro. En ĉi tiu modulo, vi lernos kiel administri eksperimentajn mediojn, kiuj certigas konsekvencan rultempan konsekvencon por eksperimentoj, kaj kiel krei kaj uzi komputajn celojn por eksperimentaj kuroj.
Lecionoj
- Laborante kun Medioj
- Laborante kun Komputaj Celoj
Laboratorio: Laboru kun Komputado
Post kompletigado de ĉi tiu modulo, vi povos
- Kreu kaj uzu mediojn
- Kreu kaj uzu komputajn celojn
Modulo 6: Orkestrado de Operacioj kun Duktoj
Nun kiam vi komprenas la bazojn pri funkciado de laborŝarĝoj kiel eksperimentoj, kiuj utiligas datumajn aktivaĵojn kaj komputigajn rimedojn, estas tempo lerni kiel reĝisori ĉi tiujn laborŝarĝojn kiel duktoj de konektitaj paŝoj. Duktoj estas ŝlosilaj por efektivigi efikan solvon pri Maŝinlernado-Operaciigo (ML Ops) en Azure, do vi esploros kiel difini kaj ruli ilin en ĉi tiu modulo.
Lecionoj
- Enkonduko al Duktoj
- Eldonado kaj Kurado de Duktoj
Laboratorio: Krei Dukto
Post kompletigado de ĉi tiu modulo, vi povos
- Kreu duktoj por aŭtomatigi maŝinlernajn laborfluojn
- Eldoni kaj ruli duktajn servojn
Modulo 7: Deplojado kaj Konsumado de Modeloj
Modeloj estas dezajnitaj por helpi decidi per antaŭdiroj, do ili nur utilas kiam ili estas deplojitaj kaj disponeblaj por konsumo de aplikaĵo. En ĉi tiu modulo lernu kiel disfaldi modelojn por realtempa inferenco kaj por grupa inferenco.
Lecionoj
- Realtempa Inferenco
- Lota Inferenco
- Kontinua Integriĝo kaj Livero
Laboratorio: Kreu Realtempan Inferencan Servon
Laboratorio: Kreu Batch Inferencing Servo
Post kompletigado de ĉi tiu modulo, vi povos
- Publikigi modelon kiel realtempa inferservo
- Eldoni modelon kiel bata inferservo
- Priskribu teknikojn por efektivigi kontinuan integriĝon kaj liveron
Modulo 8: Trejnado de Optimumaj Modeloj
Per ĉi tiu stage de la kurso, vi lernis la fin-al-finan procezon por trejnado, deplojado kaj konsumado de maŝinlernado-modeloj; sed kiel vi certigas, ke via modelo produktas la plej bonajn prognozajn eligojn por viaj datumoj? En ĉi tiu modulo, vi esploros kiel vi povas uzi hiperparametran agordon kaj aŭtomatigitan maŝinlernadon por utilitage de nubskala komputado kaj trovu la plej bonan modelon por viaj datumoj.
Lecionoj
- Hiperparametra Agordo
- Aŭtomata Maŝinlernado
Laboratorio: Uzu Aŭtomatigitan Maŝinan Lernadon de la SDK
Laboratorio: Agordi Hiperparametrojn Post kompletigado de ĉi tiu modulo, vi povos
- Optimumigu hiperparametrojn por modela trejnado
- Uzu aŭtomatigitan maŝinlernadon por trovi la optimuman modelon por viaj datumoj
Modulo 9: Respondeca Maŝina Lernado
Datumsciencistoj havas la devon certigi, ke ili analizas datumojn kaj trejnas maŝinlernajn modelojn respondece; respektante individuan privatecon, mildigante biason, kaj certigante travideblecon. Ĉi tiu modulo esploras kelkajn konsiderojn kaj teknikojn por apliki respondecajn maŝinlernajn principojn. Lecionoj
- Diferenca Privateco
- Model Interpreteblo
- Justeco
Laboratorio: Esploru Diferencan pruvon
Laboratorio: Interpreti Modelojn
Laboratorio: Detekti kaj mildigi maljustecon Post kompletigado de ĉi tiu modulo, vi povos
- Apliki diferencigan pruvon al datuma analizo
- Uzu klarigilojn por interpreti maŝinlernajn modelojn
- Taksi modelojn por justeco
Modulo 10: Monitorado de Modeloj
Post kiam modelo estas deplojita, estas grave kompreni kiel la modelo estas uzata en produktado, kaj detekti ajnan degeneron en ĝia efikeco pro datuma drivo. Ĉi tiu modulo priskribas teknikojn por monitorado de modeloj kaj iliaj datumoj. Lecionoj
- Monitorado de Modeloj kun Aplikaj Scioj
- Monitoring Data Drift
Laboratorio: Monitoro Data Drift
Laboratorio: Monitoru Modelon kun Aplikaj Scioj
Post kompletigado de ĉi tiu modulo, vi povos
- Uzu App Insights por monitori publikigitan modelon
- Monitori datuman drivon
ASOCIAJ ATESTOJ & EKZAMENO
Ĉi tiu kurso preparos delegitojn verki la ekzamenon de Microsoft DP-100: Dezajnado kaj Efektivigo de Datumscienca Solvo sur Azure-ekzameno.
Dokumentoj/Rimedoj
 |
MECER MS-DP100T01 Projektado kaj Realigo de Datuma Scienca Solvo Sur Azure [pdf] Uzantogvidilo MS-DP100T01 Projektado kaj Efektivigo de Datumscienca Solvo Sur Azure, MS-DP100T01, Projektado kaj Realigo de Datuma Scienca Solvo sur Azure |
