MECER MS-DP100T01 Designe og implementere datavitenskapsløsning på Azure
| VARIGHET | NIVÅ | TEKNOLOGI | LEVERANSE METODE |
OPPLÆRING KREDITTER |
| 3 dager | Middels | Azure | Instruktørledet | NA |
INTRODUKSJON
Få den nødvendige kunnskapen om hvordan du bruker Azure-tjenester til å utvikle, trene og distribuere maskinlæringsløsninger. Kurset starter med en overview av Azure-tjenester som støtter datavitenskap. Derfra fokuserer den på å bruke Azures fremste datavitenskapstjeneste, Azure Machine Learning-tjenesten, for å automatisere datavitenskapspipelinen. Dette kurset er fokusert på Azure og lærer ikke studenten hvordan man driver med datavitenskap. Det antas at studentene allerede vet det.
PUBLIKUM PROFILE
Dette kurset er rettet mot dataforskere og de med betydelig ansvar for opplæring og implementering av maskinlæringsmodeller.
FORUTSETNINGER
Før de deltar på dette kurset må studentene ha:
- Azure Fundamentals
- Forståelse av datavitenskap inkludert hvordan du forbereder data, trener modeller og evaluerer konkurrerende modeller for å velge den beste.
- Hvordan programmere i Python-programmeringsspråket og bruke Python-bibliotekene: pandaer, scikit-learn, matplotlib og seaborn.
KURS MÅL
Etter å ha fullført dette kurset vil studentene kunne:
- Forstå datavitenskapen i Azure
- Bruk maskinlæring for å automatisere ende-til-ende-prosessen
- Administrer og overvåk maskinlæringstjenesten
Modul 1: Komme i gang med Azure Machine Learning
I denne modulen lærer du hvordan du klargjør et Azure Machine Learning-arbeidsområde og bruker det til å administrere maskinlæringsressurser som data, databehandling, modellopplæringskode, loggede beregninger og trente modeller. Du vil lære hvordan du bruker web-basert Azure Machine Learning studio-grensesnitt samt Azure Machine Learning SDK og utviklerverktøy som Visual Studio Code og Jupyter Notebooks for å jobbe med ressursene i arbeidsområdet ditt.
Leksjoner
- Introduksjon til Azure Machine Learning
- Arbeid med Azure Machine Learning
- Lab: Opprett et Azure Machine Learning Workspace
- Sørg for et Azure Machine Learning-arbeidsområde
- Bruk verktøy og kode for å jobbe med Azure Machine Learning
Modul 2: Visuelle verktøy for maskinlæring
Denne modulen introduserer de visuelle verktøyene Automated Machine Learning og Designer, som du kan bruke til å trene, evaluere og distribuere maskinlæringsmodeller uten å skrive noen kode.
Leksjoner
- Automatisert maskinlæring
- Azure Machine Learning Designer
Lab: Bruk automatisert maskinlæring
Lab: Bruk Azure Machine Learning Designer
Etter å ha fullført denne modulen vil du kunne
- Bruk automatisert maskinlæring for å trene en maskinlæringsmodell
- Bruk Azure Machine Learning-designer til å trene en modell
Modul 3: Løpeeksperimenter og treningsmodeller
I denne modulen vil du komme i gang med eksperimenter som kapsler inn databehandling, modellerer treningskode og bruker dem til å trene maskinlæringsmodeller. Leksjoner
- Introduksjon til eksperimenter
- Opplæring og registrering av modeller
Lab: Togmodeller
Lab: Kjør eksperimenter
Etter å ha fullført denne modulen vil du kunne
- Kjør kodebaserte eksperimenter i et Azure Machine Learning-arbeidsområde
- Trene og registrere maskinlæringsmodeller
Modul 4: Arbeide med datadata
er et grunnleggende element i enhver maskinlæringsarbeidsmengde, så i denne modulen lærer du hvordan du oppretter og administrerer datalagre og datasett i et Azure Machine Learning-arbeidsområde, og hvordan du bruker dem i modelltreningseksperimenter.
Leksjoner
- Jobber med databutikker
- Arbeid med datasett
Lab: Arbeid med data
Etter å ha fullført denne modulen vil du kunne
- Opprett og bruk datalagre
- Opprett og bruk datasett
Modul 5: Arbeide med Compute
En av de viktigste fordelene med skyen er muligheten til å utnytte dataressurser på etterspørsel og bruke dem til å skalere maskinlæringsprosesser i en grad som ville være umulig på din egen maskinvare. I denne modulen lærer du hvordan du administrerer eksperimentmiljøer som sikrer konsistent kjøretidskonsistens for eksperimenter, og hvordan du oppretter og bruker beregningsmål for eksperimentkjøringer.
Leksjoner
- Arbeid med miljøer
- Arbeid med Compute Targets
Lab: Arbeid med Compute
Etter å ha fullført denne modulen vil du kunne
- Lag og bruk miljøer
- Lag og bruk beregningsmål
Modul 6: Orkestrere operasjoner med rørledninger
Nå som du forstår det grunnleggende om å kjøre arbeidsbelastninger som eksperimenter som utnytter dataressurser og dataressurser, er det på tide å lære hvordan du kan orkestrere disse arbeidsbelastningene som rørledninger med tilkoblede trinn. Pipelines er nøkkelen til å implementere en effektiv maskinlæringsoperasjonalisering (ML Ops)-løsning i Azure, så du vil utforske hvordan du definerer og kjører dem i denne modulen.
Leksjoner
- Introduksjon til rørledninger
- Publisering og kjøring av rørledninger
Lab: Lag en rørledning
Etter å ha fullført denne modulen vil du kunne
- Lag pipelines for å automatisere arbeidsflyter for maskinlæring
- Publiser og kjør pipeline-tjenester
Modul 7: Utplassering og bruk av modeller
Modeller er utviklet for å hjelpe beslutningstaking gjennom spådommer, så de er bare nyttige når de er distribuert og tilgjengelige for en applikasjon å bruke. I denne modulen lærer du hvordan du distribuerer modeller for sanntidsslutning, og for batch-slutninger.
Leksjoner
- Inferencing i sanntid
- Batch inferencing
- Kontinuerlig integrasjon og levering
Lab: Opprett en slutningstjeneste i sanntid
Lab: Opprett en batch-inferencing-tjeneste
Etter å ha fullført denne modulen vil du kunne
- Publiser en modell som en slutningstjeneste i sanntid
- Publiser en modell som en gruppeslutningstjeneste
- Beskriv teknikker for å implementere kontinuerlig integrasjon og levering
Modul 8: Trening av optimale modeller
Ved denne stage av kurset har du lært ende-til-ende-prosessen for opplæring, distribusjon og bruk av maskinlæringsmodeller; men hvordan sikrer du at modellen din gir de beste prediktive resultatene for dataene dine? I denne modulen vil du utforske hvordan du kan bruke hyperparameterinnstilling og automatisert maskinlæring for å ta fordeltage av skyskalaberegning og finn den beste modellen for dataene dine.
Leksjoner
- Innstilling av hyperparameter
- Automatisert maskinlæring
Lab: Bruk automatisert maskinlæring fra SDK
Lab: Tune Hyperparameters Etter å ha fullført denne modulen, vil du kunne
- Optimaliser hyperparametre for modelltrening
- Bruk automatisert maskinlæring for å finne den optimale modellen for dataene dine
Modul 9: Ansvarlig maskinlæring
Dataforskere har en plikt til å sikre at de analyserer data og trener maskinlæringsmodeller på en ansvarlig måte; respektere individets personvern, redusere skjevheter og sikre åpenhet. Denne modulen utforsker noen vurderinger og teknikker for å anvende prinsipper for ansvarlig maskinlæring. Leksjoner
- Differensielt personvern
- Modelltolkbarhet
- Rettferdighet
Lab: Utforsk differensial provacy
Lab: Tolke modeller
Lab: Oppdage og redusere urettferdighet Etter å ha fullført denne modulen, vil du kunne
- Bruk differensiell bevis for dataanalyse
- Bruk forklaringer til å tolke maskinlæringsmodeller
- Vurder modeller for rettferdighet
Modul 10: Overvåkingsmodeller
Etter at en modell har blitt distribuert, er det viktig å forstå hvordan modellen brukes i produksjonen, og å oppdage eventuell forringelse av dens effektivitet på grunn av datadrift. Denne modulen beskriver teknikker for overvåking av modeller og deres data. Leksjoner
- Overvåking av modeller med applikasjonsinnsikt
- Overvåking av datadrift
Lab: Overvåk datadrift
Lab: Overvåk en modell med applikasjonsinnsikt
Etter å ha fullført denne modulen vil du kunne
- Bruk Application Insights til å overvåke en publisert modell
- Overvåk datadrift
TILHØRENDE SERTIFISERINGER & EKSAMEN
Dette kurset vil forberede delegatene til å skrive Microsoft DP-100: Designing and Implementing a Data Science Solution on Azure-eksamenen.
Dokumenter / Ressurser
 |
MECER MS-DP100T01 Designe og implementere datavitenskapsløsning på Azure [pdfBrukerhåndbok MS-DP100T01 Designe og implementere Data Science Solution på Azure, MS-DP100T01, designe og implementere Data Science Solution på Azure |
