MECER MS-DP100T01 Data Science megoldás tervezése és megvalósítása az Azure-ban
| IDŐTARTAM | SZINT | TECHNOLÓGIA | SZÁLLÍTÁS MÓDSZER |
EDZÉS HITELEK |
| 3 nap | Közbülső | Égszínkék | Oktató által vezetett | NA |
BEVEZETÉS
Szerezze meg a szükséges ismereteket arról, hogyan használhatja az Azure-szolgáltatásokat a gépi tanulási megoldások fejlesztéséhez, betanításához és üzembe helyezéséhez. A tanfolyam végével kezdődikview az adattudományt támogató Azure-szolgáltatások közül. Innentől kezdve az Azure elsőrangú adattudományi szolgáltatásának, az Azure Machine Learning szolgáltatásnak a használatára összpontosít az adattudományi folyamat automatizálására. Ez a kurzus az Azure-ra összpontosít, és nem tanítja meg a hallgatónak az adattudományt. Feltételezhető, hogy a tanulók ezt már tudják.
AUDIENCE PROFILE
Ez a tanfolyam adattudósoknak és azoknak szól, akik jelentős felelősséggel tartoznak a gépi tanulási modellek képzésében és bevezetésében.
ELŐFELTÉTELEK
A tanfolyamon való részvétel előtt a hallgatóknak rendelkezniük kell:
- Az Azure Fundamentals
- Az adattudomány megértése, beleértve az adatok előkészítését, a modellek képzését és a versengő modellek értékelését a legjobb kiválasztásához.
- Programozás a Python programozási nyelven és a Python könyvtárak használata: pandas, scikit-learn, matplotlib és seaborn.
A TANFOLYAM CÉLJAI
A tanfolyam elvégzése után a hallgatók képesek lesznek:
- Ismerje meg az adattudományt az Azure-ban
- A gépi tanulás segítségével automatizálhatja a teljes folyamatot
- Kezelje és figyelje a Machine Learning szolgáltatást
1. modul: Az Azure Machine Learning első lépései
Ebben a modulban megtudhatja, hogyan hozhat létre Azure Machine Learning munkaterületet, és hogyan használhatja azt gépi tanulási eszközök, például adatok, számítások, modell betanítási kódok, naplózott metrikák és betanított modellek kezelésére. Megtanulod, hogyan kell használni a webalapú Azure Machine Learning stúdió felület, valamint az Azure Machine Learning SDK és fejlesztői eszközök, például a Visual Studio Code és a Jupyter Notebooks a munkaterületen lévő eszközökkel való együttműködéshez.
Leckék
- Az Azure Machine Learning bemutatása
- Az Azure Machine Learning használata
- Labor: Hozzon létre egy Azure Machine Learning munkaterületet
- Hozzon létre egy Azure Machine Learning munkaterületet
- Használjon eszközöket és kódot az Azure Machine Learning használatához
2. modul: Vizuális eszközök a gépi tanuláshoz
Ez a modul bemutatja az Automated Machine Learning és Designer vizuális eszközöket, amelyek segítségével kód írása nélkül betaníthatja, kiértékelheti és üzembe helyezheti a gépi tanulási modelleket.
Leckék
- Automatizált gépi tanulás
- Azure Machine Learning Designer
Labor: Használja az automatizált gépi tanulást
Labor: Az Azure Machine Learning Designer használata
A modul elvégzése után képes lesz arra
- Használjon automatizált gépi tanulást a gépi tanulási modell betanításához
- Használja az Azure Machine Learning tervezőt a modell betanításához
3. modul: Kísérletek és képzési modellek futtatása
Ebben a modulban olyan kísérleteket kezdhet, amelyek adatfeldolgozást foglalnak magukba, betanítási kódot modelleznek, és gépi tanulási modellek betanításához használják őket. Leckék
- Bevezetés a kísérletekbe
- Modellek képzése és regisztrációja
Labor: Vonatmodellek
Labor: Futtasson kísérleteket
A modul elvégzése után képes lesz arra
- Futtasson kódalapú kísérleteket egy Azure Machine Learning-munkaterületen
- Gépi tanulási modellek betanítása és regisztrálása
4. modul: Munka az adatokkal
alapvető eleme minden gépi tanulási munkaterhelésnek, ezért ebben a modulban megtudhatja, hogyan hozhat létre és kezelhet adattárakat és adatkészleteket az Azure Machine Learning munkaterületen, és hogyan használhatja őket modellképzési kísérletekben.
Leckék
- Adattárolókkal való munka
- Adatkészletekkel való munka
Labor: Dolgozzon az adatokkal
A modul elvégzése után képes lesz arra
- Adattárak létrehozása és használata
- Adatkészletek létrehozása és használata
5. modul: Munka a számítással
A felhő egyik legfontosabb előnye, hogy igény szerint képes kihasználni a számítási erőforrásokat, és azokat a gépi tanulási folyamatok olyan mértékig skálázására használhatja, amely a saját hardverén megvalósíthatatlan lenne. Ebben a modulban megtudhatja, hogyan kezelheti azokat a kísérleti környezeteket, amelyek biztosítják a kísérletek konzisztens futási idejű konzisztenciáját, és hogyan hozhat létre és használhat számítási célokat a kísérletek futtatásához.
Leckék
- Munka a környezetekkel
- Munkavégzés Compute Targets
Labor: Dolgozzon a Compute segítségével
A modul elvégzése után képes lesz arra
- Környezetek létrehozása és használata
- Számítási célok létrehozása és használata
6. modul: Műveletek összehangolása csővezetékekkel
Most, hogy megértette a munkaterhelések futtatásának alapjait, mint az adatvagyont és számítási erőforrásokat kihasználó kísérleteket, itt az ideje, hogy megtanulja, hogyan hangolja össze ezeket a terheléseket összekapcsolt lépések folyamataként. A folyamatok kulcsfontosságúak egy hatékony Machine Learning Operationalization (ML Ops) megoldás megvalósításához az Azure-ban, ezért ebben a modulban megtudhatja, hogyan határozhatja meg és futtathatja azokat.
Leckék
- Bevezetés a csővezetékekbe
- Publishing and Running Pipelines
Labor: Hozzon létre egy csővezetéket
A modul elvégzése után képes lesz arra
- Hozzon létre folyamatokat a gépi tanulási munkafolyamatok automatizálásához
- Csővezetéki szolgáltatások közzététele és futtatása
7. modul: Modellek telepítése és felhasználása
A modelleket úgy tervezték, hogy az előrejelzéseken keresztül segítsék a döntéshozatalt, így csak akkor hasznosak, ha telepítve vannak, és egy alkalmazás számára elérhetőek. Ebben a modulban megtanulhatja, hogyan telepíthet modelleket a valós idejű következtetésekhez és a kötegelt következtetésekhez.
Leckék
- Valós idejű következtetés
- Kötegelt következtetés
- Folyamatos integráció és szállítás
Labor: Hozzon létre egy valós idejű következtetési szolgáltatást
Labor: Hozzon létre egy kötegelt következtetési szolgáltatást
A modul elvégzése után képes lesz arra
- Tegyen közzé egy modellt valós idejű következtetési szolgáltatásként
- Tegyen közzé egy modellt kötegelt következtetési szolgáltatásként
- Ismertesse a folyamatos integráció és szállítás megvalósításának technikáit
8. modul: Optimális modellek képzése
Ezzel stagtermészetesen megtanulta a gépi tanulási modellek betanításának, bevezetésének és felhasználásának végpontok közötti folyamatát; de hogyan biztosíthatja, hogy a modellje a legjobb prediktív kimeneteket adja az adatokhoz? Ebben a modulban megtudhatja, hogyan használhatja a hiperparaméter-hangolást és az automatizált gépi tanulást az előrelépés érdekébentage felhőléptékű számításokat, és megtalálja a legjobb modellt adataihoz.
Leckék
- Hiperparaméter hangolás
- Automatizált gépi tanulás
Labor: Használja az SDK automatizált gépi tanulását
Labor: Hiperparaméterek hangolása A modul befejezése után képes lesz arra
- Optimalizálja a hiperparamétereket a modellképzéshez
- Használjon automatizált gépi tanulást az adatok optimális modelljének megtalálásához
9. modul: Felelős gépi tanulás
Az adattudósok kötelessége gondoskodni arról, hogy felelősségteljesen elemezzenek adatokat és képezzék a gépi tanulási modelleket; az egyéni magánélet tiszteletben tartása, az elfogultság mérséklése és az átláthatóság biztosítása. Ez a modul a felelős gépi tanulási elvek alkalmazásával kapcsolatos megfontolásokat és technikákat vizsgál meg. Leckék
- Differenciális adatvédelem
- Modell értelmezhetőség
- Méltányosság
Labor: Fedezze fel a differenciálprovacyt
Labor: A modellek értelmezése
Labor: A méltánytalanság észlelése és enyhítése A modul elvégzése után képes lesz arra
- Alkalmazza a differenciált provát az adatelemzésre
- Használjon magyarázatokat a gépi tanulási modellek értelmezéséhez
- Értékelje a modelleket a méltányosság érdekében
10. modul: Modellek megfigyelése
A modell üzembe helyezése után fontos megérteni, hogyan használják a modellt a termelésben, és észlelni kell a hatékonyságának az adatok eltolódása miatti romlását. Ez a modul a modellek és adataik megfigyelésének technikáit írja le. Leckék
- Modellek megfigyelése Application Insights segítségével
- Adatsodródás figyelése
Labor: Monitor Data Drift
Labor: Modell megfigyelése Application Insights segítségével
A modul elvégzése után képes lesz arra
- Az Application Insights segítségével figyelheti a közzétett modelleket
- Figyelje az adatsodródást
KAPCSOLÓDÓ BIZONYÍTVÁNYOK ÉS VIZSGA
Ez a tanfolyam felkészíti a küldötteket a Microsoft DP-100: Adattudományi megoldás tervezése és megvalósítása az Azure-on vizsga megírására.
Dokumentumok / Források
 |
MECER MS-DP100T01 Data Science megoldás tervezése és megvalósítása az Azure-ban [pdf] Felhasználói útmutató MS-DP100T01 Data Science megoldás tervezése és megvalósítása az Azure-ban, MS-DP100T01, Data Science megoldás tervezése és megvalósítása Azure-on |
