MECER MS-DP100T01 Deseño e implementación de solucións de ciencia de datos en Azure
| DURACIÓN | NIVEL | TECNOLOXÍA | ENTREGA MÉTODO |
FORMACIÓN CRÉDITOS |
| 3 días | Intermedio | Azure | Dirixido por un instrutor | NA |
INTRODUCIÓN
Adquira o coñecemento necesario sobre como usar os servizos de Azure para desenvolver, adestrar e implantar solucións de aprendizaxe automática. O curso comeza cun finalview dos servizos de Azure que admiten a ciencia de datos. A partir de aí, céntrase en usar o servizo de ciencia de datos principal de Azure, o servizo Azure Machine Learning, para automatizar o pipeline de ciencia de datos. Este curso está enfocado en Azure e non ensina ao estudante como facer ciencia de datos. Suponse que os estudantes xa o saben.
PÚBLICO PROFILE
Este curso está dirixido a científicos de datos e aqueles con importantes responsabilidades na formación e implantación de modelos de aprendizaxe automática.
REQUISITOS
Antes de asistir a este curso, o alumnado debe ter:
- Fundamentos de Azure
- Comprensión da ciencia de datos, incluíndo como preparar datos, adestrar modelos e avaliar modelos competidores para seleccionar o mellor.
- Como programar na linguaxe de programación Python e usar as bibliotecas de Python: pandas, scikit-learn, matplotlib e seaborn.
OBXECTIVOS DO CURSO
Despois de completar este curso, o alumnado será capaz de:
- Comprenda a ciencia de datos en Azure
- Use Machine Learning para automatizar o proceso de extremo a extremo
- Xestionar e supervisar o servizo de Machine Learning
Módulo 1: Iniciación a Azure Machine Learning
Neste módulo, aprenderá a proporcionar un espazo de traballo de Azure Machine Learning e utilizalo para xestionar recursos de aprendizaxe automática como datos, cálculo, código de adestramento do modelo, métricas rexistradas e modelos adestrados. Aprenderás a usar o webInterface de estudo de Azure Machine Learning baseada en Azure, así como o SDK de Azure Machine Learning e ferramentas para desenvolvedores como Visual Studio Code e Jupyter Notebooks para traballar cos recursos do teu espazo de traballo.
Leccións
- Introdución a Azure Machine Learning
- Traballar con Azure Machine Learning
- Laboratorio: Crea un espazo de traballo de Azure Machine Learning
- Aprovisiona un espazo de traballo de Azure Machine Learning
- Use ferramentas e código para traballar con Azure Machine Learning
Módulo 2: Ferramentas visuais para a aprendizaxe automática
Este módulo presenta as ferramentas visuais Automated Machine Learning e Designer, que pode usar para adestrar, avaliar e implementar modelos de machine learning sen escribir ningún código.
Leccións
- Aprendizaxe automática automatizada
- Deseñador de Azure Machine Learning
Laboratorio: Use a aprendizaxe automática automatizada
Laboratorio: Use Azure Machine Learning Designer
Despois de completar este módulo, poderás facelo
- Use a aprendizaxe automática automatizada para adestrar un modelo de aprendizaxe automática
- Use o deseñador de Azure Machine Learning para adestrar un modelo
Módulo 3: Experimentos en execución e modelos de adestramento
Neste módulo, comezará con experimentos que encapsulan o procesamento de datos, o código de adestramento de modelos e os empregarán para adestrar modelos de aprendizaxe automática. Leccións
- Introdución aos Experimentos
- Modelos de Formación e Rexistro
Laboratorio: Modelos de tren
Laboratorio: Executar Experimentos
Despois de completar este módulo, poderás facelo
- Executa experimentos baseados en código nun espazo de traballo de Azure Machine Learning
- Adestrar e rexistrar modelos de aprendizaxe automática
Módulo 4: Traballar con datos de datos
é un elemento fundamental en calquera carga de traballo de aprendizaxe automática, polo que neste módulo aprenderá a crear e xestionar almacéns de datos e conxuntos de datos nun espazo de traballo de Azure Machine Learning e a utilizalos en experimentos de adestramento de modelos.
Leccións
- Traballando con Datastores
- Traballar con conxuntos de datos
Laboratorio: Traballar con datos
Despois de completar este módulo, poderás facelo
- Crear e utilizar almacéns de datos
- Crear e utilizar conxuntos de datos
Módulo 5: Traballar con Compute
Un dos principais beneficios da nube é a capacidade de aproveitar os recursos informáticos baixo demanda e utilizalos para escalar os procesos de aprendizaxe automática ata un punto que sería inviable no teu propio hardware. Neste módulo, aprenderás a xestionar ambientes de experimentos que garantan a coherencia do tempo de execución dos experimentos e como crear e usar obxectivos de cálculo para as execucións dos experimentos.
Leccións
- Traballando con ambientes
- Traballar con destinos de cálculo
Laboratorio: Traballar con Compute
Despois de completar este módulo, poderás facelo
- Crear e utilizar contornas
- Crear e utilizar obxectivos de cálculo
Módulo 6: Orquestración de Operacións con Pipelines
Agora que entendes os conceptos básicos da execución de cargas de traballo como experimentos que aproveitan os recursos de datos e os recursos informáticos, é hora de aprender a organizar estas cargas de traballo como canalizacións de pasos conectados. As canalizacións son clave para implementar unha solución eficaz de Operacionalización de Aprendizaxe Automática (ML Ops) en Azure, polo que explorarás como definilas e executalas neste módulo.
Leccións
- Introdución a Pipelines
- Publicación e execución de pipelines
Laboratorio: Crear unha canalización
Despois de completar este módulo, poderás facelo
- Crea canalizacións para automatizar fluxos de traballo de aprendizaxe automática
- Publicar e executar servizos de canalización
Módulo 7: Implantación e consumo de modelos
Os modelos están deseñados para axudar na toma de decisións mediante predicións, polo que só son útiles cando se implementan e están dispoñibles para o consumo dunha aplicación. Neste módulo aprende a implementar modelos para a inferencia en tempo real e para a inferencia por lotes.
Leccións
- Inferencias en tempo real
- Inferencia por lotes
- Integración e entrega continuas
Laboratorio: Crear un servizo de inferencias en tempo real
Laboratorio: Crear un servizo de inferencia por lotes
Despois de completar este módulo, poderás facelo
- Publicar un modelo como un servizo de inferencia en tempo real
- Publicar un modelo como servizo de inferencia por lotes
- Describir técnicas para implementar integración e entrega continuas
Módulo 8: Formación de Modelos Óptimos
Por este stagDurante o curso, aprendeu o proceso de extremo a extremo para adestrar, implementar e consumir modelos de aprendizaxe automática; pero como garante que o seu modelo produza os mellores resultados preditivos para os seus datos? Neste módulo, explorarás como podes usar o axuste de hiperparámetros e a aprendizaxe automática automatizada para sacar adiantetage de computación a escala na nube e atopa o mellor modelo para os teus datos.
Leccións
- Afinación de hiperparámetros
- Aprendizaxe automática automatizada
Laboratorio: Use a aprendizaxe automática automatizada do SDK
Laboratorio: Axustar os hiperparámetros Despois de completar este módulo, poderás facelo
- Optimizar hiperparámetros para o adestramento de modelos
- Use a aprendizaxe automática automatizada para atopar o modelo óptimo para os seus datos
Módulo 9: Aprendizaxe automática responsable
Os científicos de datos teñen o deber de garantir que analizan os datos e adestran modelos de aprendizaxe automática de forma responsable; respectando a privacidade individual, mitigando prexuízos e garantindo a transparencia. Este módulo explora algunhas consideracións e técnicas para aplicar principios de aprendizaxe automática responsable. Leccións
- Privacidade diferencial
- Interpretabilidade do modelo
- Xustiza
Laboratorio: Explora a probación diferencial
Laboratorio: Interpretar modelos
Laboratorio: Detectar e mitigar inxustos Despois de completar este módulo, poderás facelo
- Aplicar a probación diferencial á análise de datos
- Use explicadores para interpretar modelos de aprendizaxe automática
- Avaliar modelos para a equidade
Módulo 10: Modelos de seguimento
Despois de que se implantou un modelo, é importante comprender como se está a utilizar o modelo na produción e detectar calquera degradación da súa eficacia debido á deriva de datos. Este módulo describe técnicas de seguimento de modelos e os seus datos. Leccións
- Modelos de seguimento con Application Insights
- Seguimento da deriva de datos
Laboratorio: Supervisar deriva de datos
Laboratorio: Supervisar un modelo con Application Insights
Despois de completar este módulo, poderás facelo
- Use Application Insights para supervisar un modelo publicado
- Supervisar a deriva de datos
CERTIFICACIÓNS E EXAMES ASOCIADOS
Este curso preparará aos delegados para escribir o exame Microsoft DP-100: Designing and Implementing a Data Science Solution en Azure.
Documentos/Recursos
 |
MECER MS-DP100T01 Deseño e implementación de solucións de ciencia de datos en Azure [pdfGuía do usuario MS-DP100T01 Deseño e implementación de solución de ciencia de datos en Azure, MS-DP100T01, deseño e implementación de solución de ciencia de datos en Azure |
