MECER MS-DP100T01 Nhazi na mejuputa ngwọta sayensị data na Azure
| Oge | Ọkwa | TECHNOLOGY | Ebupu UZỌ |
Ọzụzụ kredit |
| Ụbọchị 3 | Ọkara | Azure | Onye nkuzi na-edu | NA |
Okwu mmalite
Nweta ihe ọmụma dị mkpa gbasara otu esi eji ọrụ Azure zụlite, zụọ, na ibunye, ngwọta mmụta igwe. Usoro a na-amalite na njedebeview Ọrụ Azure na-akwado sayensị data. Site n'ebe ahụ, ọ na-elekwasị anya n'iji ọrụ sayensị data mbụ nke Azure, Azure Machine Learning service, iji megharịa pipeline sayensị data. Ihe nkuzi a lekwasịrị anya na Azure ma ọ naghị akụziri nwa akwụkwọ ka esi eme sayensị data. A na-eche na ụmụ akwụkwọ amatala nke ahụ.
Ndị na-ege ntị PROFILE
Ebumnuche a bụ maka ndị ọkà mmụta sayensị data na ndị nwere nnukwu ọrụ na ọzụzụ na ibuga ụdị mmụta igwe.
PREREQUISITES
Tupu ha aga akwụkwọ a, ụmụ akwụkwọ ga-enwerịrị:
- Azure Fundamentals
- Nghọta sayensị data gụnyere otu esi akwadebe data, ụgbọ oloko, na nyochaa ụdị asọmpi iji họrọ nke kacha mma.
- Otu esi eme mmemme na asụsụ mmemme Python wee jiri ọba akwụkwọ Python: pandas, scikit-learn, matplotlib, na nwa mmiri.
Ebumnobi AKWỤKWỌ
Mgbe ha gụsịrị akwụkwọ a, ụmụ akwụkwọ ga-enwe ike:
- Ghọta sayensị data na Azure
- Jiri mmụta igwe megharịa usoro ngwụcha ruo ọgwụgwụ
- Jikwaa ma nyochaa ọrụ mmụta igwe
Modul 1: Malite na mmụta igwe Azure
N'ime modul a, ị ga-amụta ka esi enye ebe ọrụ Azure Machine Learning ma jiri ya jikwaa akụrụngwa mmụta igwe dị ka data, mgbakọ na mwepụ, koodu ọzụzụ nlereanya, metrics abanyela na ụdị a zụrụ azụ. Ị ga-amụta ka esi eji web-based Azure Machine Learning studio interface yana Azure Machine Learning SDK na ngwa nrụpụta dị ka Visual Studio Code na Jupyter Notebooks iji rụọ ọrụ na akụrụngwa dị na ebe ọrụ gị.
Ihe nkuzi
- Okwu Mmalite nke Azure Machine Learning
- Na-arụ ọrụ na Azure Machine Learning
- Ụlọ nyocha: Mepụta oghere ọrụ mmụta igwe Azure
- Nye ebe ọrụ mmụta igwe Azure
- Jiri ngwaọrụ na koodu rụọ ọrụ na Azure Machine Learning
Module 2: Ngwa ihe onyonyo maka mmụta igwe
Modul a na-ewebata ngwa ihe mmụta igwe akpaaka na onye nrụpụta, nke ị nwere ike iji zụọ, nyocha na itinye ụdị mmụta igwe na-edeghị koodu ọ bụla.
Ihe nkuzi
- Akpaghị aka Machine Mmụta
- Azure Machine Learning Designer
Ụlọ nyocha: Jiri mmụta igwe akpaaka
Ụlọ nyocha: Jiri Azure Machine Learning Designer
Mgbe ịmechara modul a, ị ga-enwe ike
- Jiri mmụta igwe akpaaka zụrụ ụdị mmụta igwe
- Jiri Azure Machine Learning mmebe ịzụ ihe nlereanya
Modul 3: Nlele na-agba ọsọ na ụdị ọzụzụ
Na modul a, ị ga-amalite site na nnwale na-ekpuchi nhazi data, koodu ọzụzụ nlereanya, ma jiri ha zụọ ụdị mmụta igwe. Ihe nkuzi
- Okwu Mmalite na Nnwale
- Ụdị Ọzụzụ na Ịdenye aha
Ụlọ nyocha: Ụdị ụgbọ oloko
Ụlọ nyocha: Gbaa nnwale
Mgbe ịmechara modul a, ị ga-enwe ike
- Gbaa nnwale dabere na koodu na oghere ọrụ mmụta igwe Azure
- Zụọ ma debanye aha ụdị mmụta igwe
Modul 4: Na-arụ ọrụ na Data Data
bụ ihe dị mkpa na ọrụ mmụta igwe ọ bụla, yabụ na modul a, ị ga-amụta ka esi emepụta na jikwaa ebe nchekwa data na dataset na ebe ọrụ Azure Machine Learning, yana otu esi eji ha na nnwale ọzụzụ ụdị.
Ihe nkuzi
- Na-arụ ọrụ na Datastores
- Na-arụ ọrụ na Datasets
Ụlọ nyocha: Na-arụ ọrụ na Data
Mgbe ịmechara modul a, ị ga-enwe ike
- Mepụta ma jiri ebe nchekwa data
- Mepụta ma jiri dataset
Modul 5: Na-arụ ọrụ na Compute
Otu n'ime uru dị mkpa nke ígwé ojii bụ ikike ijikwa akụrụngwa gbakọọ n'ọchịchọ ma jiri ha tụọ usoro mmụta igwe ruo n'ókè nke na-agaghị ekwe omume na ngwaike nke gị. N'ime modul a, ị ga-amụta otu esi ejikwa gburugburu nnwale nke na-eme ka oge ọhụhụ na-agbanwe agbanwe maka nnwale, yana otu esi emepụta na iji gbakọọ ebumnuche maka ọsọ nnwale.
Ihe nkuzi
- Na-arụ ọrụ na gburugburu ebe obibi
- Na-arụ ọrụ na Compute Targets
Ụlọ nyocha: Na-arụ ọrụ na Compute
Mgbe ịmechara modul a, ị ga-enwe ike
- Mepụta ma jiri gburugburu
- Mepụta ma jiri gbakọọ ebumnuche
Modul 6: Ịrụ ọrụ na Pipeline
Ugbu a ị ghọtara isi ihe na-arụ ọrụ dị ka nnwale nke na-etinye akụ data ma na-agbakọ akụrụngwa, ọ bụ oge ịmụta ka esi hazie ọrụ ndị a dị ka pipeline nke usoro ejikọrọ. Pipeline bụ isi iji mejuputa ihe ngwọta dị mma nke ịmụrụ igwe (ML Ops) na Azure, yabụ ị ga-enyocha otu esi akọwa ma mee ya na modul a.
Ihe nkuzi
- Okwu Mmalite nke Pipeline
- Na-ebipụta na-agba ọsọ Pipeline
Ụlọ nyocha: Mepụta Pipeline
Mgbe ịmechara modul a, ị ga-enwe ike
- Mepụta pipeline iji megharịa usoro mmụta igwe na-arụ ọrụ
- Bipụta ma rụọ ọrụ pipeline
Module 7: Ntugharị na iri ụdị
Emebere ụdịdị iji nyere aka mee mkpebi site na amụma, yabụ na ha bara uru naanị mgbe ebugara ya ma dị maka ngwa ọ ga-eri. N'ime modul a mụta ka esi ebuga ụdịdị maka ịgba akwụkwọ n'ezie, yana maka ịgba ajụjụ ọnụ.
Ihe nkuzi
- Inferencing ozugbo
- Inferencing ogbe
- Njikọta na nnyefe na-aga n'ihu
Ụlọ nyocha: Mepụta Ọrụ Inferencing ozugbo
Ụlọ nyocha: Mepụta Ọrụ Inferencing Batch
Mgbe ịmechara modul a, ị ga-enwe ike
- Bipụta ụdị dị ka ọrụ ntinye aka ozugbo
- Bipụta ihe nlereanya dị ka ọrụ ntinye aka ogbe
- Kọwaa usoro iji mejuputa ntinye na nnyefe na-aga n'ihu
Modul 8: Ọzụzụ kacha mma Model
Site na nke a stage nke N'ezie, ị mụtala usoro ngwucha-na-ọgwụgwụ maka ọzụzụ, ibugharị, na iri ụdị mmụta igwe; mana kedu ka ị ga-esi hụ na ihe nlereanya gị na-arụpụta nsonaazụ amụma kacha mma maka data gị? Na modul a, ị ga-enyocha ka ị ga-esi jiri hyperparameter tuning na mmụta igwe akpaaka iji were advantage nke igwe ojii gbakọọ ma chọta ihe nlereanya kacha mma maka data gị.
Ihe nkuzi
- Hyperparameter Tuning
- Akpaghị aka Machine Mmụta
Ụlọ nyocha: Jiri mmụta igwe akpaaka sitere na SDK
Ụlọ nyocha: Tune Hyperparameters Mgbe ịmechara modul a, ị ga-enwe ike
- Welie hyperparameters maka ọzụzụ ụdị
- Jiri mmụta igwe akpaaka ka ịchọta ezigbo ihe nlereanya maka data gị
Module 9: Ịmụ Igwe Ọmụma
Ndị ọkà mmụta sayensị data nwere ọrụ ịhụ na ha nyochara data wee zụọ ụdị mmụta mmụta igwe nke ọma; n'ịkwanyere nzuzo nke onye ọ bụla, ibelata mkparị, na ịhụ na nghọta. Modul a na-enyocha ụfọdụ echiche na usoro maka itinye ụkpụrụ mmụta igwe nwere ọrụ. Ihe nkuzi
- Nzuzo dị iche
- Nkọwa nkọwa nlereanya
- Ịdị mma
Ụlọ nyocha: Chọgharịa provacy dị iche
Ụlọ nyocha: Ụdị Ntụgharị Asụsụ
Ụlọ nyocha: Chọpụta ma belata ezighị ezi Mgbe ịmechara modul a, ị ga-enwe ike
- Tinye provacy dị iche na nyocha data
- Jiri nkọwa kọwaa ụdị mmụta igwe
- Nyochaa ụdị maka izi ezi
Module 10: Model nlekota
Mgbe etinyere ihe nlere anya, ọ dị mkpa ịghọta ka esi eji ihe nlereanya ahụ na mmepụta, yana ịchọpụta mmebi ọ bụla na arụmọrụ ya n'ihi mkpagharị data. Modul a na-akọwa usoro maka nleba anya ụdị na data ha. Ihe nkuzi
- Nleba anya ụdịdị na nleba anya ngwa
- Nleba anya data Drift
Ụlọ nyocha: Nyochaa Drift Data
Ụlọ nyocha: Nyochaa ihe nlere anya na nyocha ngwa
Mgbe ịmechara modul a, ị ga-enwe ike
- Jiri Nghọta Ngwa ka nyochaa ụdị ebipụtara
- Nyochaa mkpagharị data
AKWỤKWỌ CERTIFICATIONS & EXAM
Usoro nkuzi a ga-akwado ndị nnọchi anya ide Microsoft DP-100: Imepụta na itinye Ngwọta Sayensị Data na ule Azure.
Akwụkwọ / akụrụngwa
 |
MECER MS-DP100T01 Nhazi na mejuputa ngwọta sayensị data na Azure [pdf] Ntuziaka onye ọrụ MS-DP100T01 Nhazi na mejuputa Ngwọta Sayensị Data na Azure, MS-DP100T01, Imepụta na mejuputa Ngwọta Sayensị Data na Azure |
