MECER MS-DP100T01 Data Science -ratkaisun suunnittelu ja käyttöönotto Azuressa
| KESTO | TASO | TEKNOLOGIA | TOIMITUS MENETELMÄ |
KOULUTUS LUOTTEET |
| 3 päivää | Keskitason | Taivaansininen | Ohjaajan johdolla | NA |
JOHDANTO
Hanki tarvittavat tiedot siitä, kuinka voit käyttää Azure-palveluita koneoppimisratkaisujen kehittämiseen, kouluttamiseen ja käyttöönottoon. Kurssi alkaa lopetuksellaview Tietotekniikkaa tukevista Azure-palveluista. Sieltä se keskittyy käyttämään Azuren johtavaa tietotiedepalvelua, Azure Machine Learning -palvelua, automatisoimaan datatieteen putkilinjaa. Tämä kurssi keskittyy Azureen, eikä se opeta opiskelijalle datatieteen tekemistä. Oppilaiden oletetaan jo tietävän sen.
AUDIENCE PROFILE
Tämä kurssi on suunnattu datatieteilijöille ja niille, joilla on merkittävä vastuu koneoppimismallien koulutuksesta ja käyttöönotosta.
ESITIEDOT
Ennen kurssille osallistumista opiskelijoilla tulee olla:
- Azure Fundamentals
- Tietojen ymmärtäminen, mukaan lukien tietojen valmistelu, mallien kouluttaminen ja kilpailevien mallien arvioiminen parhaan valinnassa.
- Ohjelmointi Python-ohjelmointikielellä ja Python-kirjastojen käyttö: pandas, scikit-learn, matplotlib ja seaborn.
KURSSIN TAVOITTEET
Tämän kurssin suoritettuaan opiskelijat voivat:
- Ymmärrä Azuren datatiede
- Käytä koneoppimista automatisoidaksesi päästä päähän -prosessin
- Hallinnoi ja valvo koneoppimispalvelua
Moduuli 1: Azure Machine Learningin käytön aloittaminen
Tässä moduulissa opit luomaan Azure Machine Learning -työtilan ja käyttämään sitä koneoppimisresurssien, kuten tietojen, laskennan, mallin koulutuskoodin, lokitietojen ja koulutettujen mallien hallintaan. Opit käyttämään web-pohjainen Azure Machine Learning -studion käyttöliittymä sekä Azure Machine Learning SDK ja kehittäjätyökalut, kuten Visual Studio Code ja Jupyter-muistikirjat työtilasi resurssien kanssa työskentelemiseen.
Oppitunnit
- Johdatus Azure Machine Learningiin
- Työskentely Azure Machine Learningin kanssa
- Lab: Luo Azure Machine Learning -työtila
- Tarjoa Azure Machine Learning -työtila
- Käytä työkaluja ja koodia työskentelemään Azure Machine Learningin kanssa
Moduuli 2: Visuaaliset työkalut koneoppimiseen
Tämä moduuli esittelee Automated Machine Learning and Designer -visuaaliset työkalut, joiden avulla voit kouluttaa, arvioida ja ottaa käyttöön koneoppimismalleja ilman koodin kirjoittamista.
Oppitunnit
- Automaattinen koneoppiminen
- Azure Machine Learning Designer
Lab: Käytä automaattista koneoppimista
Lab: Käytä Azure Machine Learning Designeria
Tämän moduulin suorittamisen jälkeen pystyt siihen
- Käytä automaattista koneoppimista koneoppimismallin kouluttamiseen
- Käytä Azure Machine Learning -suunnittelijaa mallin kouluttamiseen
Moduuli 3: Juoksukokeet ja harjoitusmallit
Tässä moduulissa pääset alkuun kokeilla, jotka kapseloivat tietojenkäsittelyn, mallintavat koulutuskoodia ja käyttävät niitä koneoppimismallien kouluttamiseen. Oppitunnit
- Johdatus kokeiluihin
- Koulutus ja mallien rekisteröinti
Lab: Junamallit
Lab: Suorita kokeita
Tämän moduulin suorittamisen jälkeen pystyt siihen
- Suorita koodipohjaisia kokeiluja Azure Machine Learning -työtilassa
- Kouluta ja rekisteröi koneoppimismalleja
Moduuli 4: Tietojen käsittely
on peruselementti kaikissa koneoppimistyökuormissa, joten tässä moduulissa opit luomaan ja hallitsemaan tietovarastoja ja tietojoukkoja Azure Machine Learning -työtilassa ja käyttämään niitä mallin koulutuskokeissa.
Oppitunnit
- Työskentely Datastoresin kanssa
- Työskentely tietojoukkojen kanssa
Lab: Työskentele tietojen kanssa
Tämän moduulin suorittamisen jälkeen pystyt siihen
- Luo ja käytä tietovarastoja
- Luo ja käytä tietojoukkoja
Moduuli 5: Työskentely laskennan kanssa
Yksi pilven tärkeimmistä eduista on kyky hyödyntää laskentaresursseja kysynnän mukaan ja käyttää niitä koneoppimisprosessien skaalaamiseen siinä määrin, että se olisi mahdotonta omalla laitteistollasi. Tässä moduulissa opit hallitsemaan kokeiluympäristöjä, jotka varmistavat yhtenäisen ajonaikaisen johdonmukaisuuden kokeiluille, sekä kuinka luoda ja käyttää laskentatavoitteita kokeiluja varten.
Oppitunnit
- Työskentely ympäristöjen kanssa
- Työskentely laskentatavoitteiden kanssa
Lab: Työskentele Computen kanssa
Tämän moduulin suorittamisen jälkeen pystyt siihen
- Luo ja käytä ympäristöjä
- Luo ja käytä laskentakohteita
Moduuli 6: Operaatioiden järjestäminen putkilinjoilla
Nyt kun ymmärrät työkuormien suorittamisen perusteet kokeiluina, jotka hyödyntävät tietoresursseja ja laskevat resursseja, on aika oppia organisoimaan nämä työkuormitukset yhdistettyjen vaiheiden putkiksi. Putket ovat avainasemassa tehokkaan Machine Learning Operationalization (ML Ops) -ratkaisun käyttöönotossa Azuressa, joten voit tutkia, kuinka ne määritellään ja suoritetaan tässä moduulissa.
Oppitunnit
- Johdatus putkilinjoihin
- Publishing and Running Pipelines
Lab: Luo putkisto
Tämän moduulin suorittamisen jälkeen pystyt siihen
- Luo putkia koneoppimisen työnkulkujen automatisoimiseksi
- Julkaise ja suorita putkipalveluita
Moduuli 7: Mallien käyttöönotto ja käyttäminen
Mallit on suunniteltu auttamaan päätöksenteossa ennusteiden avulla, joten niistä on hyötyä vain, kun ne on otettu käyttöön ja sovelluksen käytettävissä. Tässä moduulissa opit ottamaan käyttöön malleja reaaliaikaista päättelyä ja eräpäätelmiä varten.
Oppitunnit
- Reaaliaikainen päättely
- Eräpäättely
- Jatkuva integrointi ja toimitus
Lab: Luo reaaliaikainen päättelypalvelu
Lab: Luo eräpäättelypalvelu
Tämän moduulin suorittamisen jälkeen pystyt siihen
- Julkaise malli reaaliaikaisena päättelypalveluna
- Julkaise malli eräpäättelypalveluna
- Kuvaa tekniikoita jatkuvan integroinnin ja toimituksen toteuttamiseksi
Moduuli 8: Optimaalisten mallien koulutus
Tällä stagkurssin aikana olet oppinut koneoppimismallien koulutuksen, käyttöönoton ja kulutuksen kokonaisvaltaisen prosessin. mutta miten varmistat, että mallisi tuottaa parhaat ennakoivat tulokset tiedoillesi? Tässä moduulissa tutkit, kuinka voit hyödyntää hyperparametrien viritystä ja automaattista koneoppimistatagpilvimittakaavalaskennan avulla ja löydä paras malli tiedoillesi.
Oppitunnit
- Hyperparametrien viritys
- Automaattinen koneoppiminen
Lab: Käytä SDK:n automaattista koneoppimista
Lab: Viritä hyperparametrit Kun olet suorittanut tämän moduulin, voit
- Optimoi hyperparametrit mallikoulutukseen
- Käytä automaattista koneoppimista löytääksesi optimaalisen mallin tiedoillesi
Moduuli 9: Vastuullinen koneoppiminen
Datatieteilijöiden velvollisuus on varmistaa, että he analysoivat dataa ja kouluttavat koneoppimismalleja vastuullisesti. kunnioitetaan yksilön yksityisyyttä, vähennetään ennakkoluuloja ja varmistetaan avoimuus. Tämä moduuli tutkii joitain näkökohtia ja tekniikoita vastuullisen koneoppimisen periaatteiden soveltamiseen. Oppitunnit
- Erotettu yksityisyys
- Mallin tulkinta
- Oikeudenmukaisuus
Lab: Tutustu eroavaisuuksiin
Lab: Tulkitse mallit
Lab: Tunnista ja lievennä epäoikeudenmukaisuutta Suoritettuasi tämän moduulin, pystyt siihen
- Käytä eroavaisuutta data-analyysissä
- Käytä selityksiä koneoppimismallien tulkitsemiseen
- Arvioi mallien oikeudenmukaisuus
Moduuli 10: Valvontamallit
Kun malli on otettu käyttöön, on tärkeää ymmärtää, miten mallia käytetään tuotannossa, ja havaita sen tehokkuuden heikkeneminen tietojen ajautumisesta. Tämä moduuli kuvaa tekniikoita mallien ja niiden tietojen seurantaan. Oppitunnit
- Mallien seuranta sovellusnäkemysten avulla
- Data Driftin seuranta
Lab: Monitor Data Drift
Lab: Seuraa mallia Application Insightin avulla
Tämän moduulin suorittamisen jälkeen pystyt siihen
- Seuraa julkaistua mallia Application Insightsin avulla
- Tarkkaile tiedon siirtymistä
LIITTYVÄT SERTIFIKAATIOT & TEKTI
Tämä kurssi valmistaa osallistujat kirjoittamaan Microsoft DP-100: Data Science Solutionin suunnittelu ja toteutus Azure-kokeessa.
Asiakirjat / Resurssit
 |
MECER MS-DP100T01 Data Science -ratkaisun suunnittelu ja käyttöönotto Azuressa [pdfKäyttöopas MS-DP100T01 Data Science -ratkaisun suunnittelu ja käyttöönotto Azuressa, MS-DP100T01, Data Science -ratkaisun suunnittelu ja käyttöönotto Azuressa |
