MECER MS-DP100T01 Diseño e implementación de una solución de ciencia de datos en Azure
| DURACIÓN | NIVEL | TECNOLOGÍA | ENTREGA MÉTODO |
CAPACITACIÓN CRÉDITOS |
| 3 días | Intermedio | Azur | Dirigido por un instructor | NA |
INTRODUCCIÓN
Obtenga los conocimientos necesarios sobre cómo utilizar los servicios de Azure para desarrollar, entrenar e implementar soluciones de aprendizaje automático. El curso comienza con un finalview de servicios de Azure que respaldan la ciencia de datos. A partir de ahí, se centra en utilizar el principal servicio de ciencia de datos de Azure, el servicio Azure Machine Learning, para automatizar el proceso de ciencia de datos. Este curso se centra en Azure y no enseña al estudiante cómo hacer ciencia de datos. Se supone que los estudiantes ya lo saben.
AUDIENCIA PROFILE
Este curso está dirigido a científicos de datos y aquellos con responsabilidades importantes en la capacitación e implementación de modelos de aprendizaje automático.
REQUISITOS
Antes de asistir a este curso, los estudiantes deben tener:
- Fundamentos de Azure
- Comprensión de la ciencia de datos, incluido cómo preparar datos, entrenar modelos y evaluar modelos competitivos para seleccionar el mejor.
- Cómo programar en el lenguaje de programación Python y utilizar las bibliotecas de Python: pandas, scikit-learn, matplotlib y seaborn.
OBJETIVOS DEL CURSO
Después de completar este curso, los estudiantes podrán:
- Comprender la ciencia de datos en Azure
- Utilice Machine Learning para automatizar el proceso de un extremo a otro
- Gestionar y monitorear el servicio de Machine Learning
Módulo 1: Introducción al aprendizaje automático de Azure
En este módulo, aprenderá a aprovisionar un espacio de trabajo de Azure Machine Learning y usarlo para administrar activos de aprendizaje automático, como datos, computación, código de entrenamiento de modelos, métricas registradas y modelos entrenados. Aprenderás a utilizar el webInterfaz de estudio basada en Azure Machine Learning, así como el SDK de Azure Machine Learning y herramientas de desarrollo como Visual Studio Code y Jupyter Notebooks para trabajar con los activos en su espacio de trabajo.
Lecciones
- Introducción al aprendizaje automático de Azure
- Trabajar con Azure Machine Learning
- Laboratorio: Crear un espacio de trabajo de Azure Machine Learning
- Aprovisionar un área de trabajo de Azure Machine Learning
- Utilice herramientas y código para trabajar con Azure Machine Learning
Módulo 2: Herramientas visuales para el aprendizaje automático
Este módulo presenta las herramientas visuales Automated Machine Learning y Designer, que puede utilizar para entrenar, evaluar e implementar modelos de aprendizaje automático sin escribir ningún código.
Lecciones
- Aprendizaje automático automatizado
- Diseñador de aprendizaje automático de Azure
Laboratorio: Utilice el aprendizaje automático automatizado
Laboratorio: Utilice el Diseñador de aprendizaje automático de Azure
Después de completar este módulo, podrá
- Utilice el aprendizaje automático automatizado para entrenar un modelo de aprendizaje automático
- Utilice el diseñador de Azure Machine Learning para entrenar un modelo
Módulo 3: Ejecución de experimentos y modelos de entrenamiento
En este módulo, comenzará con experimentos que encapsulan el procesamiento de datos, el código de entrenamiento de modelos y los utilizará para entrenar modelos de aprendizaje automático. Lecciones
- Introducción a los experimentos
- Entrenamiento y Registro de Modelos
Laboratorio: Modelos de trenes
Laboratorio: Ejecutar experimentos
Después de completar este módulo, podrá
- Ejecute experimentos basados en código en un área de trabajo de Azure Machine Learning
- Entrene y registre modelos de aprendizaje automático
Módulo 4: Trabajar con datos Datos
es un elemento fundamental en cualquier carga de trabajo de aprendizaje automático, por lo que en este módulo aprenderá cómo crear y administrar almacenes de datos y conjuntos de datos en un espacio de trabajo de Azure Machine Learning, y cómo usarlos en experimentos de entrenamiento de modelos.
Lecciones
- Trabajar con almacenes de datos
- Trabajar con conjuntos de datos
Laboratorio: Trabajar con datos
Después de completar este módulo, podrá
- Crear y utilizar almacenes de datos
- Crear y utilizar conjuntos de datos
Módulo 5: Trabajar con Computación
Uno de los beneficios clave de la nube es la capacidad de aprovechar los recursos informáticos bajo demanda y utilizarlos para escalar los procesos de aprendizaje automático hasta un punto que sería inviable en su propio hardware. En este módulo, aprenderá a administrar entornos de experimentos que garanticen una coherencia en el tiempo de ejecución de los experimentos y a crear y utilizar objetivos informáticos para las ejecuciones de experimentos.
Lecciones
- Trabajar con entornos
- Trabajar con destinos de proceso
Laboratorio: Trabajar con Computación
Después de completar este módulo, podrá
- Crear y usar entornos.
- Crear y usar destinos de proceso
Módulo 6: Orquestación de operaciones con oleoductos
Ahora que comprende los conceptos básicos de la ejecución de cargas de trabajo como experimentos que aprovechan los activos de datos y los recursos informáticos, es hora de aprender a organizar estas cargas de trabajo como canalizaciones de pasos conectados. Las canalizaciones son clave para implementar una solución eficaz de operacionalización del aprendizaje automático (ML Ops) en Azure, por lo que explorará cómo definirlas y ejecutarlas en este módulo.
Lecciones
- Introducción a las tuberías
- Publicación y ejecución de canalizaciones
Laboratorio: Crear una canalización
Después de completar este módulo, podrá
- Cree canalizaciones para automatizar flujos de trabajo de aprendizaje automático
- Publicar y ejecutar servicios de canalización
Módulo 7: Implementación y consumo de modelos
Los modelos están diseñados para ayudar en la toma de decisiones a través de predicciones, por lo que solo son útiles cuando se implementan y están disponibles para que los consuma una aplicación. En este módulo, aprenda a implementar modelos para la inferencia en tiempo real y para la inferencia por lotes.
Lecciones
- Inferencia en tiempo real
- Inferencia por lotes
- Integración y entrega continua
Laboratorio: Crear un servicio de inferencia en tiempo real
Laboratorio: Crear un servicio de inferencia por lotes
Después de completar este módulo, podrá
- Publicar un modelo como un servicio de inferencia en tiempo real
- Publicar un modelo como un servicio de inferencia por lotes
- Describir técnicas para implementar la integración y entrega continua.
Módulo 8: Entrenamiento de modelos óptimos
Por este stagAl finalizar el curso, ha aprendido el proceso de un extremo a otro para entrenar, implementar y consumir modelos de aprendizaje automático; pero ¿cómo puede asegurarse de que su modelo produzca los mejores resultados predictivos para sus datos? En este módulo, explorará cómo puede utilizar el ajuste de hiperparámetros y el aprendizaje automático automatizado para aprovechar las ventajas.tage de computación a escala de nube y encuentre el mejor modelo para sus datos.
Lecciones
- Ajuste de hiperparámetros
- Aprendizaje automático automatizado
Laboratorio: Utilice el aprendizaje automático automatizado del SDK
Laboratorio: Ajustar hiperparámetros Después de completar este módulo, podrá
- Optimice los hiperparámetros para el entrenamiento de modelos
- Utilice el aprendizaje automático automatizado para encontrar el modelo óptimo para sus datos
Módulo 9: Aprendizaje automático responsable
Los científicos de datos tienen el deber de asegurarse de analizar datos y entrenar modelos de aprendizaje automático de manera responsable; respetar la privacidad individual, mitigar los prejuicios y garantizar la transparencia. Este módulo explora algunas consideraciones y técnicas para aplicar principios de aprendizaje automático responsable. Lecciones
- Privacidad diferencial
- Interpretabilidad del modelo
- Justicia
Laboratorio: Explora la privacidad diferencial
Laboratorio: Interpretar modelos
Laboratorio: Detectar y mitigar injusticias Después de completar este módulo, podrá
- Aplicar la privacidad diferencial al análisis de datos
- Use explicadores para interpretar modelos de aprendizaje automático
- Evaluar modelos para garantizar la equidad
Módulo 10: Modelos de Monitoreo
Una vez implementado un modelo, es importante comprender cómo se utiliza el modelo en producción y detectar cualquier degradación en su eficacia debido a la deriva de datos. Este módulo describe técnicas para monitorear modelos y sus datos. Lecciones
- Supervisión de modelos con Application Insights
- Supervisión de deriva de datos
Laboratorio: Supervisar la deriva de datos
Laboratorio: Supervisar un modelo con Application Insights
Después de completar este módulo, podrá
- Use Application Insights para monitorear un modelo publicado
- Supervisar la deriva de datos
CERTIFICACIONES Y EXAMEN ASOCIADOS
Este curso preparará a los delegados para redactar el examen Microsoft DP-100: Diseño e implementación de una solución de ciencia de datos en Azure.
Documentos / Recursos
 |
MECER MS-DP100T01 Diseño e implementación de una solución de ciencia de datos en Azure [pdf] Guía del usuario MS-DP100T01 Diseño e implementación de una solución de ciencia de datos en Azure, MS-DP100T01, Diseño e implementación de una solución de ciencia de datos en Azure |
