MECER MS-DP100T01 طراحی و پیاده سازی راه حل علم داده در Azure

مدت زمان	LEVEL	فن آوری	تحویل روش	آموزش اعتبارات
3 روز	متوسط	لاجوردی	به رهبری مربی	NA

مقدمه

دانش لازم را در مورد نحوه استفاده از خدمات Azure برای توسعه، آموزش و استقرار راه حل های یادگیری ماشین به دست آورید. دوره با یک بار دیگر شروع می شودview خدمات Azure که از علم داده پشتیبانی می کند. از آنجا، بر روی استفاده از خدمات برتر علم داده Azure، سرویس یادگیری ماشینی Azure، برای خودکارسازی خط لوله علم داده تمرکز دارد. این دوره بر روی Azure متمرکز است و به دانش آموز نحوه انجام علم داده را آموزش نمی دهد. فرض بر این است که دانش آموزان قبلاً این را می دانند.

حضار PROFILE

این دوره برای دانشمندان داده و کسانی که مسئولیت های مهمی در آموزش و استقرار مدل های یادگیری ماشین دارند، برگزار می شود.

پیش نیازها

دانش آموزان قبل از شرکت در این دوره باید:

• اصول لاجوردی
• درک علم داده از جمله نحوه تهیه داده ها، آموزش مدل ها و ارزیابی مدل های رقیب برای انتخاب بهترین.
• نحوه برنامه نویسی به زبان برنامه نویسی پایتون و استفاده از کتابخانه های پایتون: pandas، scikit-learn، matplotlib و seaborn.

اهداف دوره

پس از اتمام این دوره، دانشجویان قادر خواهند بود:

• علم داده را در Azure درک کنید
• از یادگیری ماشینی برای خودکارسازی فرآیند انتها به انتها استفاده کنید
• سرویس یادگیری ماشینی را مدیریت و نظارت کنید

 

ماژول 1: شروع به یادگیری ماشین Azure
در این ماژول، نحوه ارائه یک فضای کاری Azure Machine Learning و استفاده از آن برای مدیریت دارایی های یادگیری ماشین مانند داده ها، محاسبات، کد آموزشی مدل، معیارهای ثبت شده و مدل های آموزش دیده را خواهید آموخت. شما یاد خواهید گرفت که چگونه از آن استفاده کنید webرابط استودیو یادگیری ماشین مبتنی بر Azure و همچنین Azure Machine Learning SDK و ابزارهای توسعه دهنده مانند Visual Studio Code و Jupyter Notebooks برای کار با دارایی های موجود در فضای کاری شما.
درس ها

• مقدمه ای بر یادگیری ماشینی Azure
• کار با Azure Machine Learning
• آزمایشگاه: یک فضای کاری یادگیری ماشین Azure ایجاد کنید
• یک فضای کاری یادگیری ماشینی Azure فراهم کنید
• برای کار با Azure Machine Learning از ابزار و کد استفاده کنید

ماژول 2: ابزارهای بصری برای یادگیری ماشین
این ماژول ابزارهای بصری یادگیری ماشین و طراح خودکار را معرفی می کند که می توانید از آنها برای آموزش، ارزیابی و استقرار مدل های یادگیری ماشین بدون نوشتن هیچ کدی استفاده کنید.
درس ها

• خودکار یادگیری ماشین
• طراح یادگیری ماشین لاجورد

آزمایشگاه: از یادگیری ماشین خودکار استفاده کنید
آزمایشگاه: از Azure Machine Learning Designer استفاده کنید
پس از تکمیل این ماژول، شما قادر خواهید بود

• از یادگیری ماشینی خودکار برای آموزش مدل یادگیری ماشینی استفاده کنید
• برای آموزش یک مدل از طراح یادگیری ماشین لاجورد استفاده کنید

ماژول 3: آزمایش های در حال اجرا و مدل های آموزشی

در این ماژول، شما با آزمایش‌هایی شروع می‌کنید که پردازش داده‌ها، کدهای آموزشی مدل‌سازی را در بر می‌گیرد و از آنها برای آموزش مدل‌های یادگیری ماشین استفاده می‌کند. درس ها

• مقدمه ای بر آزمایش ها
• آموزش و ثبت نام مدل ها

آزمایشگاه: مدل های قطار
آزمایشگاه: آزمایش ها را اجرا کنید
پس از تکمیل این ماژول، شما قادر خواهید بود

• آزمایش‌های مبتنی بر کد را در فضای کاری یادگیری ماشینی Azure اجرا کنید
• آموزش و ثبت مدل های یادگیری ماشینی

ماژول 4: کار با داده ها
یک عنصر اساسی در هر بار کاری یادگیری ماشینی است، بنابراین در این ماژول، نحوه ایجاد و مدیریت ذخیره‌گاه‌های داده و مجموعه داده‌ها در فضای کاری Azure Machine Learning و نحوه استفاده از آنها در آزمایش‌های آموزش مدل را خواهید آموخت.
درس ها

• کار با Datastores
• کار با Datasets

آزمایشگاه: با دیتا کار کنید
پس از تکمیل این ماژول، شما قادر خواهید بود

• ایجاد و استفاده از داده های ذخیره سازی
• ایجاد و استفاده از مجموعه داده ها

ماژول 5: کار با محاسبات
یکی از مزایای کلیدی ابر، توانایی استفاده از منابع محاسباتی بر حسب تقاضا و استفاده از آنها برای مقیاس‌بندی فرآیندهای یادگیری ماشینی تا حدی است که برای سخت‌افزار شما غیرممکن است. در این ماژول، شما یاد خواهید گرفت که چگونه محیط های آزمایشی را مدیریت کنید که سازگاری زمان اجرا را برای آزمایش ها تضمین می کند، و نحوه ایجاد و استفاده از اهداف محاسباتی برای اجرای آزمایشی.
درس ها

• کار با محیط ها
• کار با Compute Targets

آزمایشگاه: با Compute کار کنید
پس از تکمیل این ماژول، شما قادر خواهید بود

• ایجاد و استفاده از محیط
• ایجاد و استفاده از اهداف محاسباتی

ماژول 6: سازماندهی عملیات با خطوط لوله
اکنون که اصول اجرای بارهای کاری را به عنوان آزمایش هایی که از دارایی های داده و منابع محاسبه می کنند را درک می کنید، زمان آن فرا رسیده است که یاد بگیرید چگونه این بارهای کاری را به عنوان خطوط لوله مراحل متصل تنظیم کنید. خطوط لوله برای پیاده‌سازی راه‌حل مؤثر عملیات یادگیری ماشین (ML Ops) در Azure کلیدی هستند، بنابراین نحوه تعریف و اجرای آنها را در این ماژول بررسی خواهید کرد.
درس ها

• مقدمه ای بر خطوط لوله
• انتشار و اجرای خطوط لوله

آزمایشگاه: یک خط لوله ایجاد کنید
پس از تکمیل این ماژول، شما قادر خواهید بود

• خطوط لوله ایجاد کنید تا گردش کار یادگیری ماشین را خودکار کنید
• خدمات خط لوله را منتشر و اجرا کنید

ماژول 7: استقرار و مصرف مدل ها
مدل‌ها برای کمک به تصمیم‌گیری از طریق پیش‌بینی‌ها طراحی شده‌اند، بنابراین فقط زمانی مفید هستند که برای یک برنامه کاربردی در دسترس باشند. در این ماژول نحوه استقرار مدل‌ها برای استنتاج بلادرنگ و استنتاج دسته‌ای را بیاموزید.
درس ها

• استنتاج در زمان واقعی
• استنباط دسته ای
• ادغام و تحویل مستمر

آزمایشگاه: یک سرویس استنباط در زمان واقعی ایجاد کنید
آزمایشگاه: یک سرویس استنباط دسته ای ایجاد کنید
پس از تکمیل این ماژول، شما قادر خواهید بود

• یک مدل را به عنوان یک سرویس استنتاج بلادرنگ منتشر کنید
• یک مدل را به عنوان سرویس استنتاج دسته ای منتشر کنید
• تکنیک هایی را برای اجرای یکپارچه سازی و تحویل مستمر توضیح دهید

ماژول 8: آموزش مدل های بهینه
توسط این اسtagدر این دوره، شما فرآیند سرتاسری برای آموزش، استقرار و مصرف مدل‌های یادگیری ماشینی را یاد گرفته‌اید. اما چگونه مطمئن می شوید که مدل شما بهترین خروجی های پیش بینی را برای داده های شما تولید می کند؟ در این ماژول، نحوه استفاده از تنظیم هایپرپارامتر و یادگیری ماشینی خودکار را برای استفاده از ابزارهای پیشرفته بررسی خواهید کردtage از مقیاس ابری را محاسبه کنید و بهترین مدل را برای داده های خود بیابید.
درس ها

• تنظیم فراپارامتر
• خودکار یادگیری ماشین

آزمایشگاه: از یادگیری ماشین خودکار از SDK استفاده کنید
آزمایشگاه: تنظیم Hyperparameters پس از تکمیل این ماژول، شما قادر خواهید بود

• بهینه سازی هایپرپارامترها برای آموزش مدل
• از یادگیری ماشین خودکار برای پیدا کردن مدل بهینه برای داده های خود استفاده کنید

ماژول 9: یادگیری ماشینی مسئول
دانشمندان داده وظیفه دارند از تجزیه و تحلیل داده ها و آموزش مدل های یادگیری ماشینی مسئولانه اطمینان حاصل کنند. احترام به حریم خصوصی افراد، کاهش تعصب و تضمین شفافیت. این ماژول به بررسی برخی ملاحظات و تکنیک ها برای به کارگیری اصول یادگیری ماشین مسئول می پردازد. درس ها

• حریم خصوصی دیفرانسیل
• تفسیرپذیری مدل
• انصاف

آزمایشگاه: کاوش provacy دیفرانسیل
آزمایشگاه: مدل ها را تفسیر کنید
آزمایشگاه: شناسایی و کاهش بی عدالتی پس از تکمیل این ماژول، قادر خواهید بود

• اعمال اثبات افتراقی برای تجزیه و تحلیل داده ها
• از توضیح دهنده برای تفسیر مدل های یادگیری ماشین استفاده کنید
• مدل ها را برای انصاف ارزیابی کنید

ماژول 10: مدل های مانیتورینگ
پس از استقرار یک مدل، درک نحوه استفاده از مدل در تولید، و تشخیص هرگونه تخریب در اثربخشی آن به دلیل جابجایی داده ها، مهم است. این ماژول تکنیک هایی را برای نظارت بر مدل ها و داده های آنها توضیح می دهد. درس ها

• مدل های مانیتورینگ با بینش کاربردی
• نظارت بر رانش داده ها

آزمایشگاه: مانیتور دریفت داده ها
آزمایشگاه: نظارت بر یک مدل با بینش برنامه
پس از تکمیل این ماژول، شما قادر خواهید بود

• از Application Insights برای نظارت بر مدل منتشر شده استفاده کنید
• نظارت بر حرکت داده ها

گواهینامه ها و آزمون های مرتبط

این دوره نمایندگان را برای نوشتن Microsoft DP-100: Designing and Implementing a Data Science Solution در آزمون Azure آماده می کند.

اسناد / منابع

MECER MS-DP100T01 طراحی و پیاده سازی راه حل علم داده در Azure [pdfراهنمای کاربر MS-DP100T01 طراحی و پیاده سازی راه حل Data Science در Azure، MS-DP100T01، طراحی و پیاده سازی راه حل Data Science در Azure

مراجع

• راهنمای کاربر