MECER MS-DP100T01 Ngrancang lan Ngleksanakake Solusi Ilmu Data On Azure
| DURASI | TINGKAT | TEKNOLOGI | PENGIRIMAN METODE |
LATIHAN KREDIT |
| 3 dina | penengah | Azure | Dipimpin instruktur | NA |
PAMBUKA
Entuk kawruh sing dibutuhake babagan cara nggunakake layanan Azure kanggo ngembangake, nglatih, lan nyebarake, solusi pembelajaran mesin. Kursus diwiwiti kanthi rampungview layanan Azure sing ndhukung ilmu data. Saka ing kana, fokus nggunakake layanan ilmu data utama Azure, layanan Azure Machine Learning, kanggo ngotomatisasi pipa ilmu data. Kursus iki fokus ing Azure lan ora mulang siswa babagan ilmu data. Dianggep siswa wis ngerti.
AUDIENCE PROFILE
Kursus iki ditujokake kanggo ilmuwan data lan sing duwe tanggung jawab sing signifikan babagan latihan lan nggunakake model pembelajaran mesin.
KEBUTUHAN
Sadurunge mlebu kursus iki, siswa kudu duwe:
- Azure Fundamentals
- Pangerten babagan ilmu data kalebu cara nyiapake data, nglatih model, lan ngevaluasi model saingan kanggo milih sing paling apik.
- Carane program ing basa pemrograman Python lan nggunakake perpustakaan Python: panda, scikit-sinau, matplotlib, lan seaborn.
TUJUAN KURSUS
Sawise ngrampungake kursus iki, siswa bakal bisa:
- Ngerti ilmu data ing Azure
- Gunakake Machine Learning kanggo ngotomatisasi proses end-to-end
- Ngatur lan ngawasi layanan Machine Learning
Modul 1: Miwiti karo Azure Machine Learning
Ing modul iki, sampeyan bakal sinau babagan nyediakake ruang kerja Azure Machine Learning lan digunakake kanggo ngatur aset pembelajaran mesin kayata data, komputasi, kode latihan model, metrik log, lan model sing dilatih. Sampeyan bakal sinau carane nggunakake webAntarmuka studio Azure Machine Learning basis uga Azure Machine Learning SDK lan alat pangembang kaya Visual Studio Code lan Jupyter Notebooks kanggo nggarap aset ing ruang kerja sampeyan.
wulangan
- Pambuka kanggo Azure Machine Learning
- Nggarap Azure Machine Learning
- Lab: Nggawe Azure Machine Learning Workspace
- Nyedhiyakake ruang kerja Azure Machine Learning
- Gunakake alat lan kode kanggo nggarap Azure Machine Learning
Modul 2: Piranti Visual kanggo Machine Learning
Modul iki ngenalake alat visual Pembelajaran Mesin lan Desainer Otomatis, sing bisa digunakake kanggo nglatih, ngevaluasi, lan nyebarake model pembelajaran mesin tanpa nulis kode apa wae.
wulangan
- Sinau Mesin Otomatis
- Azure Machine Learning Designer
Lab: Gunakake Machine Learning Otomatis
Lab: Gunakake Azure Machine Learning Designer
Sawise ngrampungake modul iki, sampeyan bakal bisa
- Gunakake machine learning otomatis kanggo nglatih model machine learning
- Gunakake desainer Azure Machine Learning kanggo nglatih model
Modul 3: Eksperimen Running lan Model Latihan
Ing modul iki, sampeyan bakal miwiti eksperimen sing ngemot pangolahan data, kode latihan model, lan digunakake kanggo nglatih model pembelajaran mesin. wulangan
- Pambuka kanggo Eksperimen
- Model Latihan lan Ndhaptar
Lab: Model Sepur
Lab: Run Eksperimen
Sawise ngrampungake modul iki, sampeyan bakal bisa
- Jalanake eksperimen adhedhasar kode ing ruang kerja Azure Machine Learning
- Latih lan ndhaptar model pembelajaran mesin
Modul 4: Nggarap Data Data
minangka unsur dhasar ing beban kerja machine learning, mula ing modul iki, sampeyan bakal sinau carane nggawe lan ngatur datastore lan set data ing ruang kerja Azure Machine Learning, lan carane nggunakake ing eksperimen latihan model.
wulangan
- Nggarap Datastores
- Nggarap Datasets
Lab: Nggarap Data
Sawise ngrampungake modul iki, sampeyan bakal bisa
- Nggawe lan nggunakake datastores
- Nggawe lan nggunakake dataset
Modul 5: Nggarap Komputasi
Salah sawijining mupangat utama awan yaiku kemampuan kanggo nggunakake sumber daya komputasi sing dikarepake lan digunakake kanggo ngukur proses pembelajaran mesin nganti ora bisa ditindakake ing piranti keras sampeyan dhewe. Ing modul iki, sampeyan bakal sinau babagan carane ngatur lingkungan eksperimen sing njamin konsistensi runtime sing konsisten kanggo eksperimen, lan carane nggawe lan nggunakake target komputasi kanggo eksperimen.
wulangan
- Nggarap Lingkungan
- Nggarap Target Komputasi
Lab: Bisa nganggo Compute
Sawise ngrampungake modul iki, sampeyan bakal bisa
- Nggawe lan nggunakake lingkungan
- Gawe lan gunakake target komputasi
Modul 6: Orkestrasi Operasi karo Pipeline
Saiki sampeyan ngerti dhasar kanggo mbukak beban kerja minangka eksperimen sing nggunakake aset data lan ngetung sumber daya, wektune kanggo sinau carane ngatur beban kerja kasebut minangka jalur pipa saka langkah-langkah sing disambungake. Pipelines minangka kunci kanggo ngleksanakake solusi Machine Learning Operationalization (ML Ops) sing efektif ing Azure, supaya sampeyan bakal njelajah carane nemtokake lan mbukak ing modul iki.
wulangan
- Pambuka kanggo Pipelines
- Publishing lan Running Pipelines
Lab: Nggawe Pipeline
Sawise ngrampungake modul iki, sampeyan bakal bisa
- Nggawe pipa kanggo ngotomatisasi alur kerja machine learning
- Nerbitake lan mbukak layanan pipa
Modul 7: Deploying lan Consuming Models
Model dirancang kanggo mbantu nggawe keputusan liwat prediksi, mula mung migunani nalika disebarake lan kasedhiya kanggo aplikasi kanggo dikonsumsi. Ing modul iki sinau carane nyebarake model kanggo inferensi wektu nyata, lan kanggo inferensi kumpulan.
wulangan
- Inferensi wektu nyata
- Inferensi Batch
- Integrasi terus-terusan lan Pangiriman
Lab: Nggawe Layanan Inferensi Wektu Nyata
Lab: Nggawe Layanan Inferensi Batch
Sawise ngrampungake modul iki, sampeyan bakal bisa
- Nerbitake model minangka layanan inferensi wektu nyata
- Nerbitake model minangka layanan inferensi kumpulan
- Njlèntrèhaké teknik kanggo ngleksanakake integrasi lan pangiriman terus-terusan
Modul 8: Latihan Model Optimal
Miturut iki stage mesthi, sampeyan wis sinau proses end-to-end kanggo latihan, deploying, lan nggunakake model machine learning; nanging kepiye manawa model sampeyan ngasilake output prediktif sing paling apik kanggo data sampeyan? Ing modul iki, sampeyan bakal njelajah carane sampeyan bisa nggunakake hyperparameter tuning lan machine learning otomatis kanggo njupuk advantage saka komputasi skala awan lan temokake model sing paling apik kanggo data sampeyan.
wulangan
- Tuning Hyperparameter
- Sinau Mesin Otomatis
Lab: Gunakake Pembelajaran Mesin Otomatis saka SDK
Lab: Tune Hyperparameters Sawise ngrampungake modul iki, sampeyan bakal bisa
- Ngoptimalake hyperparameters kanggo latihan model
- Gunakake machine learning otomatis kanggo nemokake model optimal kanggo data sampeyan
Modul 9: Learning Machine Tanggung jawab
Ilmuwan data duwe tugas kanggo mesthekake yen dheweke nganalisa data lan nglatih model pembelajaran mesin kanthi tanggung jawab; ngurmati privasi individu, nyuda bias, lan njamin transparansi. Modul iki nylidiki sawetara pertimbangan lan teknik kanggo ngetrapake prinsip machine learning sing tanggung jawab. wulangan
- Privasi Diferensial
- Interpretability model
- Kewajaran
Lab: Explore provacy Diferensial
Lab: Interpretasi Model
Lab: Ndeteksi lan Kurangi Ketidakadilan Sawise ngrampungake modul iki, sampeyan bakal bisa
- Gunakake provacy diferensial kanggo analisis data
- Gunakake panjelasan kanggo napsirake model pembelajaran mesin
- Evaluasi model kanggo keadilan
Modul 10: Model ngawasi
Sawise model wis disebarake, penting kanggo ngerti carane model digunakake ing produksi, lan kanggo ndeteksi degradasi efektifitas amarga data drift. Modul iki nerangake teknik kanggo ngawasi model lan data. wulangan
- Model Ngawasi kanthi Wawasan Aplikasi
- Ngawasi Data Drift
Lab: Monitor Data Drift
Lab: Ngawasi Model nganggo Wawasan Aplikasi
Sawise ngrampungake modul iki, sampeyan bakal bisa
- Gunakake Wawasan Aplikasi kanggo ngawasi model sing diterbitake
- Monitor data drift
SERTIFIKASI & UJIAN BERGABUNG
Kursus iki bakal nyiapake delegasi kanggo nulis Microsoft DP-100: Ngrancang lan Ngleksanakake Solusi Ilmu Data ing ujian Azure.
Dokumen / Sumber Daya
 |
MECER MS-DP100T01 Ngrancang lan Ngleksanakake Solusi Ilmu Data On Azure [pdf] Pandhuan pangguna MS-DP100T01 Ngrancang lan Ngleksanakake Solusi Ilmu Data Ing Azure, MS-DP100T01, Ngrancang lan Ngleksanakake Solusi Ilmu Data Ing Azure |
