MECER MS-DP100T01 Azure дээр өгөгдлийн шинжлэх ухааны шийдлийг боловсруулж, хэрэгжүүлэх
| ХУГАЦАА | ТҮВШИН | ТЕХНОЛОГИ | ХҮРГЭЛТ АРГА |
СУРГАЛТ ЗЭЭЛ |
| 3 хоног | Дунд зэрэг | Азур | Багшаар удирдуулсан | NA |
ТАНИЛЦУУЛГА
Машин сургалтын шийдлүүдийг боловсруулах, сургах, нэвтрүүлэхэд Azure үйлчилгээг хэрхэн ашиглах талаар шаардлагатай мэдлэгийг олж аваарай. Хичээл төгсөлтөөс эхэлдэгview өгөгдлийн шинжлэх ухааныг дэмждэг Azure үйлчилгээний. Тэндээс өгөгдлийн шинжлэх ухааны шугам сүлжээг автоматжуулахын тулд Azure-ийн тэргүүлэх мэдээллийн шинжлэх ухааны үйлчилгээ болох Azure Machine Learning үйлчилгээг ашиглахад анхаарлаа хандуулдаг. Энэ сургалт нь Azure дээр төвлөрсөн бөгөөд оюутанд дата шинжлэх ухааныг хэрхэн хийхийг заадаггүй. Оюутнууд үүнийг аль хэдийн мэддэг гэж таамаглаж байна.
AUDIENCE PROFILE
Энэхүү сургалт нь өгөгдөл судлаачид болон машин сургалтын загварыг сургах, ашиглахад чухал үүрэг хариуцлага хүлээдэг хүмүүст зориулагдсан болно.
УРЬДЧИЛСАН ШААРДЛАГА
Энэ сургалтанд хамрагдахын өмнө оюутнууд дараахь зүйлийг эзэмшсэн байх ёстой.
- Azure үндэс
- Мэдээллийг хэрхэн бэлтгэх, загваруудыг сургах, хамгийн сайныг сонгохын тулд өрсөлдөх загваруудыг үнэлэх зэрэг мэдээллийн шинжлэх ухааны талаархи ойлголт.
- Python програмчлалын хэл дээр хэрхэн програмчлах, Python номын сангуудыг ашиглах: pandas, scikit-learn, matplotlib, and seaborn.
СУРГУУЛИЙН ЗОРИЛГО
Энэ хичээлийг төгссөний дараа оюутнууд дараахь зүйлийг хийх боломжтой болно.
- Azure дахь өгөгдлийн шинжлэх ухааныг ойлгох
- Төгсгөл хүртэлх үйл явцыг автоматжуулахын тулд Machine Learning ашиглана уу
- Machine Learning үйлчилгээг удирдах, хянах
Модуль 1: Azure Machine Learning-г ашиглаж эхлэх
Энэ модульд та Azure Machine Learning ажлын талбарыг хэрхэн хангах талаар суралцах бөгөөд үүнийг өгөгдөл, тооцоолол, загварын сургалтын код, бүртгэсэн хэмжүүр, бэлтгэгдсэн загвар зэрэг машин сургалтын хөрөнгийг удирдахад ашиглах болно. Та хэрхэн ашиглах талаар сурах болно web-д суурилсан Azure Machine Learning студийн интерфейс, түүнчлэн Azure Machine Learning SDK болон Visual Studio Code, Jupyter Notebooks зэрэг хөгжүүлэгчийн хэрэгслүүд нь таны ажлын талбар дахь хөрөнгөтэй ажиллах боломжтой.
Хичээлүүд
- Azure Machine Learning-ийн танилцуулга
- Azure Machine Learning-тэй ажиллах
- Лаборатори: Azure Machine Learning ажлын талбарыг үүсгэ
- Azure Machine Learning ажлын талбараар хангана уу
- Azure Machine Learning-тэй ажиллахын тулд хэрэгсэл, кодыг ашиглана уу
Модуль 2: Машины сургалтын харааны хэрэгслүүд
Энэ модуль нь автоматжуулсан машин сургалтын болон дизайнерын харааны хэрэгслийг танилцуулж байгаа бөгөөд та ямар ч код бичихгүйгээр машин сургалтын загваруудыг сургах, үнэлэх, ашиглахад ашиглаж болно.
Хичээлүүд
- Автомат машин сурах
- Azure Machine Learning дизайнер
Лаборатори: Автоматжуулсан машин сургалтыг ашигла
Лаборатори: Azure Machine Learning Designer ашиглана уу
Энэ модулийг дуусгасны дараа та боломжтой болно
- Машин сургалтын загварыг сургахын тулд автоматжуулсан машин сургалтыг ашигла
- Загвар сургахдаа Azure Machine Learning дизайнер ашиглана уу
Модуль 3: Гүйлтийн туршилт, сургалтын загварууд
Энэ модульд та өгөгдөл боловсруулах, загварын сургалтын кодыг багтаасан туршилтуудыг эхлүүлж, машин сургалтын загваруудыг сургахад ашиглах болно. Хичээлүүд
- Туршилтын танилцуулга
- Сургалт ба бүртгүүлэх загварууд
Лаборатори: Галт тэрэгний загварууд
Лаборатори: Туршилтуудыг ажиллуулах
Энэ модулийг дуусгасны дараа та боломжтой болно
- Azure Machine Learning ажлын талбарт код дээр суурилсан туршилтуудыг ажиллуул
- Машин сургалтын загваруудыг сургах, бүртгэх
Модуль 4: Өгөгдлийн өгөгдөлтэй ажиллах
нь машин сургалтын аливаа ажлын ачааллын үндсэн элемент тул та энэ модульд Azure Machine Learning ажлын талбарт өгөгдлийн сангууд болон өгөгдлийн багцуудыг хэрхэн үүсгэх, удирдах, мөн тэдгээрийг загвар сургалтын туршилтанд хэрхэн ашиглах талаар суралцах болно.
Хичээлүүд
- Мэдээллийн дэлгүүрүүдтэй ажиллах
- Өгөгдлийн багцтай ажиллах
Лаборатори: Өгөгдөлтэй ажиллах
Энэ модулийг дуусгасны дараа та боломжтой болно
- Өгөгдлийн санг үүсгэж ашиглах
- Өгөгдлийн багц үүсгэх, ашиглах
Модуль 5: Тооцоололтой ажиллах
Үүлний гол давуу талуудын нэг нь тооцооллын нөөцийг эрэлт хэрэгцээний дагуу ашиглаж, машин сургалтын үйл явцыг өөрийн техник хангамжид ашиглах боломжгүй хэмжээнд хүртэл өргөжүүлэхэд ашиглах чадвар юм. Энэ модульд та туршилтын ажлын цагийн тогтвортой байдлыг хангах туршилтын орчныг хэрхэн удирдах, туршилтын гүйлтэд тооцоолох зорилтуудыг хэрхэн үүсгэх, ашиглах талаар суралцах болно.
Хичээлүүд
- Байгаль орчинтой ажиллах
- Тооцооллын зорилтуудтай ажиллах
Лаборатори: Compute-тэй ажиллах
Энэ модулийг дуусгасны дараа та боломжтой болно
- Хүрээлэн буй орчныг бий болгож ашиглах
- Тооцооллын зорилтуудыг үүсгэж ашиглах
Модуль 6: Дамжуулах хоолойтой үйл ажиллагааг зохион байгуулах
Одоо та ажлын ачааллыг ажиллуулах үндсийг өгөгдлийн хөрөнгө, тооцооллын нөөцийг ашиглах туршилт гэж ойлгож байгаа тул эдгээр ачааллыг хэрхэн холбогдсон алхмуудын шугам болгон зохион байгуулах талаар сурах цаг болжээ. Дамжуулах хоолой нь Azure-д үр дүнтэй Machine Learning Operationalization (ML Ops) шийдлийг хэрэгжүүлэхэд чухал ач холбогдолтой тул та тэдгээрийг хэрхэн тодорхойлж, ажиллуулах талаар энэ модульд судлах болно.
Хичээлүүд
- Дамжуулах хоолойн танилцуулга
- Хэвлэх ба ажиллуулах шугам хоолой
Лаборатори: Дамжуулах хоолой үүсгэх
Энэ модулийг дуусгасны дараа та боломжтой болно
- Машины сургалтын ажлын урсгалыг автоматжуулахын тулд дамжуулах хоолой үүсгэ
- Дамжуулах хоолойн үйлчилгээг нийтлэх, ажиллуулах
Модуль 7: Загваруудыг ашиглах, ашиглах
Загварууд нь урьдчилан таамаглах замаар шийдвэр гаргахад туслахаар бүтээгдсэн тул тэдгээрийг ашиглахад ашиглах боломжтой бөгөөд ашиглахад л хэрэг болно. Энэ модульд бодит цагийн дүгнэлт гаргах, багц дүгнэлт гаргах загваруудыг хэрхэн ашиглах талаар суралцана.
Хичээлүүд
- Бодит цагийн дүгнэлт
- Багцын дүгнэлт
- Тасралтгүй интеграци ба хүргэлт
Лаборатори: Бодит цагийн дүгнэлт хийх үйлчилгээг бий болгох
Лаборатори: Багцын дүгнэлт хийх үйлчилгээг бий болгох
Энэ модулийг дуусгасны дараа та боломжтой болно
- Загварыг бодит цагийн дүгнэлтийн үйлчилгээ болгон нийтлэх
- Загварыг багцын дүгнэлтийн үйлчилгээ болгон нийтлэх
- Тасралтгүй нэгтгэх, хүргэх арга техникийг тайлбарлах
Модуль 8: Хамгийн оновчтой загваруудыг сургах
Үүгээр СtagМэдээжийн хэрэг та машин сургалтын загваруудыг сургах, ашиглах, ашиглах төгсгөл хүртэлх үйл явцыг сурсан; гэхдээ таны загвар таны өгөгдлийн хамгийн сайн таамаглалыг гаргахад хэрхэн итгэлтэй байх вэ? Энэ модульд та гиперпараметр тааруулах болон автоматжуулсан машин сургалтыг хэрхэн ашиглах талаар судлах болно.tagүүлэн масштабтай тооцоолол хийж, өгөгдөлдөө хамгийн сайн загварыг олоорой.
Хичээлүүд
- Гиперпараметрийг тааруулах
- Автомат машин сурах
Лаборатори: SDK-ээс автоматжуулсан машин сургалтыг ашигла
Лаборатори: Гиперпараметрүүдийг тааруулах Энэ модулийг дуусгасны дараа та хийх боломжтой болно
- Загварын сургалтын гиперпараметрийг оновчтой болгох
- Өгөгдлийнхөө оновчтой загварыг олохын тулд автоматжуулсан машин сургалтыг ашигла
Модуль 9: Хариуцлагатай машин сургалт
Мэдээллийн эрдэмтэд өгөгдөлд дүн шинжилгээ хийж, машин сургалтын загваруудыг хариуцлагатай сургах үүрэгтэй; хувь хүний нууцыг хүндэтгэх, өрөөсгөл хандлагыг багасгах, ил тод байдлыг хангах. Энэ модуль нь хариуцлагатай машин сургалтын зарчмуудыг хэрэгжүүлэх зарим анхаарах зүйл, арга техникийг судалдаг. Хичээлүүд
- Дифференциал нууцлал
- Загвар тайлбарлах чадвар
- Шударга байдал
Лаборатори: Дифференциал provacy судлах
Лаборатори: Загваруудыг тайлбарлах
Лаборатори: Шударга бус байдлыг илрүүлэх, багасгах Энэ модулийг бөглөсний дараа та боломжтой болно
- Өгөгдлийн шинжилгээнд дифференциал баталгааг ашиглах
- Машин сургалтын загваруудыг тайлбарлахын тулд тайлбарлагчдыг ашигла
- Шударга байдлын үүднээс загваруудыг үнэл
Модуль 10: Хяналтын загварууд
Загварыг байрлуулсны дараа уг загварыг үйлдвэрлэлд хэрхэн ашиглаж байгааг ойлгох, өгөгдлийн шилжилтийн улмаас түүний үр нөлөөг бууруулж байгааг илрүүлэх нь чухал юм. Энэ модуль нь загвар болон тэдгээрийн өгөгдлийг хянах арга техникийг тайлбарладаг. Хичээлүүд
- Хэрэглээний ойлголт бүхий загваруудыг хянах
- Өгөгдлийн шилжилтийг хянах
Лаборатори: Өгөгдлийн шилжилтийг хянах
Лаборатори: Хэрэглээний ойлголт бүхий загварыг хянах
Энэ модулийг дуусгасны дараа та боломжтой болно
- Нийтлэгдсэн загварыг хянахын тулд Application Insights-г ашиглана уу
- Өгөгдлийн шилжилтийг хянах
ХОЛБООТОЙ ГЭРЧИЛГЭЭ & ШАЛГАЛТ
Энэхүү сургалт нь Microsoft DP-100: Azure дээр өгөгдлийн шинжлэх ухааны шийдлийг зохион бүтээх, хэрэгжүүлэх нь шалгалтыг бичих төлөөлөгчдийг бэлтгэх болно.
Баримт бичиг / нөөц
 |
MECER MS-DP100T01 Azure дээр өгөгдлийн шинжлэх ухааны шийдлийг боловсруулж, хэрэгжүүлэх [pdf] Хэрэглэгчийн гарын авлага MS-DP100T01 Azure дээр өгөгдлийн шинжлэх ухааны шийдлийг боловсруулж, хэрэгжүүлэх, MS-DP100T01, Azure дээр өгөгдлийн шинжлэх ухааны шийдлийг боловсруулж, хэрэгжүүлэх |
