MECER MS-DP100T01 Дизајнирање и имплементирање на решение за наука за податоци на Azure
| ВРЕМЕТРАЕЊЕ | НИВО | ТЕХНОЛОГИЈА | ИСПОРАКА МЕТОД |
ОБУКА КРЕДИТИ |
| 3 дена | Средно | Азур | Предводена од инструктор | NA |
ВОВЕД
Стекнете го потребното знаење за тоа како да ги користите услугите на Azure за развивање, обука и распоредување решенија за машинско учење. Курсот започнува со завршувањеview на услугите на Azure кои поддржуваат наука за податоци. Оттаму, тој се фокусира на користење на врвната услуга за наука за податоци на Azure, услугата Azure Machine Learning, за автоматизирање на цевководот за наука за податоци. Овој курс е фокусиран на Azure и не го учи студентот како да се занимава со наука за податоци. Се претпоставува дека студентите веќе го знаат тоа.
ПУБЛИКА УЈПFILE
Овој курс е наменет за научниците за податоци и оние со значителни одговорности во обуката и распоредувањето на модели за машинско учење.
Предуслови
Пред да го посетуваат овој курс, студентите треба да имаат:
- Азур Основи
- Разбирање на науката за податоци, вклучително и како да се подготват податоци, да се обучуваат модели и да се проценат конкурентските модели за да се избере најдобриот.
- Како да програмирате на програмскиот јазик Python и да ги користите библиотеките на Python: панди, scikit-learn, matplotlib и seaborn.
ЦЕЛИ НА КУРСОТ
По завршувањето на овој курс, студентите ќе можат да:
- Разберете ја науката за податоци во Azure
- Користете машинско учење за да го автоматизирате процесот од крај до крај
- Управувајте и следете ја услугата Машинско учење
Модул 1: Започнување со машинско учење Azure
Во овој модул, ќе научите како да обезбедите работен простор за машинско учење на Azure и да го користите за управување со средствата за машинско учење како што се податоци, пресметување, код за обука на модели, евидентирани метрики и обучени модели. Ќе научите како да го користите web- базиран на интерфејс студио за машинско учење Azure, како и SDK за машинско учење на Azure и алатки за развивачи како Visual Studio Code и Jupyter Notebooks за работа со средствата во вашиот работен простор.
Лекции
- Вовед во машинско учење Azure
- Работа со Azure Machine Learning
- Лабораторија: Создадете работен простор за машинско учење Azure
- Обезбедете работен простор за машинско учење Azure
- Користете алатки и код за да работите со Azure Machine Learning
Модул 2: Визуелни алатки за машинско учење
Овој модул ги воведува визуелните алатки за автоматско машинско учење и дизајнер, кои можете да ги користите за обука, оценување и распоредување на модели за машинско учење без да пишувате никаков код.
Лекции
- Автоматско машинско учење
- Дизајнер за машинско учење Azure
Лабораторија: Користете автоматско машинско учење
Лабораторија: Користете Azure Machine Learning Designer
По завршувањето на овој модул, ќе можете
- Користете автоматско машинско учење за да обучите модел за машинско учење
- Користете го дизајнерот Azure Machine Learning за да обучите модел
Модул 3: Водење експерименти и модели за обука
Во овој модул, ќе започнете со експерименти кои опфаќаат обработка на податоци, код за обука на модели и ги користат за обука на модели за машинско учење. Лекции
- Вовед во експерименти
- Обука и регистрирање модели
Лабораторија: Модели на возови
Лабораторија: Извршете експерименти
По завршувањето на овој модул, ќе можете
- Извршете експерименти базирани на код во работен простор за машинско учење Azure
- Обучете и регистрирајте модели за машинско учење
Модул 4: Работа со податоци
е фундаментален елемент во секое оптоварување со машинско учење, така што во овој модул ќе научите како да креирате и управувате со складишта на податоци и збирки на податоци во работниот простор за машинско учење Azure и како да ги користите во експерименти за обука на модели.
Лекции
- Работа со Datastores
- Работа со збирки на податоци
Лабораторија: Работете со податоци
По завршувањето на овој модул, ќе можете
- Креирајте и користете складишта на податоци
- Креирајте и користете збирки на податоци
Модул 5: Работа со Compute
Една од клучните придобивки на облакот е способноста да се искористат пресметаните ресурси на барање и да се користат за да се размерат процесите на машинско учење до степен што би бил неостварлив за вашиот сопствен хардвер. Во овој модул, ќе научите како да управувате со опкружувањата за експерименти кои обезбедуваат конзистентна конзистентност на траење за експериментите и како да креирате и користите пресметувачки цели за експерименти.
Лекции
- Работа со средини
- Работа со пресметани цели
Лабораторија: Работете со Compute
По завршувањето на овој модул, ќе можете
- Креирајте и користете околини
- Креирајте и користете пресметувачки цели
Модул 6: Оркестрирање операции со цевководи
Сега кога ги разбирате основите на извршувањето на работните оптоварувања како експерименти кои користат податочни средства и пресметуваат ресурси, време е да научите како да ги оркестрирате овие оптоварувања како цевки од поврзани чекори. Цевководите се клучни за имплементирање на ефективно решение за операционализација на машинско учење (ML Ops) во Azure, така што ќе истражите како да ги дефинирате и стартувате во овој модул.
Лекции
- Вовед во цевководи
- Објавување и водење на цевководи
Лабораторија: Направете гасовод
По завршувањето на овој модул, ќе можете
- Создадете цевководи за да ги автоматизирате работните текови за машинско учење
- Објавувајте и извршувајте услуги на гасоводот
Модул 7: Распоредување и конзумирање на модели
Моделите се дизајнирани да помогнат во донесувањето одлуки преку предвидувања, така што тие се корисни само кога се распоредени и достапни за апликација за употреба. Во овој модул научете како да распоредите модели за заклучување во реално време и за сериско заклучување.
Лекции
- Заклучување во реално време
- Сериско заклучување
- Континуирана интеграција и испорака
Лабораторија: Креирајте услуга за заклучување во реално време
Лабораторија: Создадете услуга за заклучување на серии
По завршувањето на овој модул, ќе можете
- Објавете модел како услуга за заклучоци во реално време
- Објавете модел како услуга за сериски заклучоци
- Опишете ги техниките за спроведување на континуирана интеграција и испорака
Модул 8: Обука за оптимални модели
Со ова сtagод курсот, го научивте процесот од крај до крај за обука, распоредување и конзумирање на модели за машинско учење; но како да се осигурате дека вашиот модел ги произведува најдобрите предвидливи резултати за вашите податоци? Во овој модул, ќе истражите како можете да користите подесување на хиперпараметри и автоматско машинско учење за да напредуватеtage на облакот пресметајте и пронајдете го најдобриот модел за вашите податоци.
Лекции
- Подесување на хиперпараметар
- Автоматско машинско учење
Лабораторија: Користете автоматско машинско учење од SDK
Лабораторија: Подесување на хиперпараметри По завршувањето на овој модул, ќе можете
- Оптимизирајте ги хиперпараметрите за обука на модели
- Користете автоматско машинско учење за да го пронајдете оптималниот модел за вашите податоци
Модул 9: Одговорно машинско учење
Научниците за податоци имаат должност да обезбедат дека ги анализираат податоците и одговорно ги обучуваат моделите за машинско учење; почитување на индивидуалната приватност, ублажување на пристрасност и обезбедување транспарентност. Овој модул истражува некои размислувања и техники за примена на принципите за одговорно машинско учење. Лекции
- Диференцијална приватност
- Модел интерпретабилност
- Праведност
Лабораторија: Истражете ја диференцијалната провокација
Лабораторија: Интерпретираат модели
Лабораторија: Откријте и ублажете ја неправедноста Откако ќе го завршите овој модул, ќе можете
- Применете диференцијално докажување при анализата на податоците
- Користете објаснувачи за интерпретација на моделите за машинско учење
- Оценете ги моделите за праведност
Модул 10: Модели за следење
Откако ќе се примени моделот, важно е да се разбере како моделот се користи во производството и да се открие каква било деградација на неговата ефикасност поради оддалечување на податоците. Овој модул ги опишува техниките за следење на моделите и нивните податоци. Лекции
- Мониторинг модели со увид во апликацијата
- Набљудување на лебдат податоци
Лабораторија: Набљудувајте го подметнувањето на податоците
Лабораторија: Следете модел со увид во апликацијата
По завршувањето на овој модул, ќе можете
- Користете Application Insights за следење на објавен модел
- Набљудувајте го движењето на податоците
ПОДРЖАНИ СЕРТИФИКАЦИИ И ИСПИТ
Овој курс ќе ги подготви делегатите да напишат Microsoft DP-100: Дизајнирање и имплементирање на решение за наука за податоци на испитот Azure.
Документи / ресурси
 |
MECER MS-DP100T01 Дизајнирање и имплементирање на решение за наука за податоци на Azure [pdf] Упатство за корисникот MS-DP100T01 Дизајнирање и имплементација на решение за наука за податоци на Azure, MS-DP100T01, Дизајнирање и имплементација на решение за наука за податоци на Azure |
