MECER MS-DP100T01 Proiectarea și implementarea soluției Data Science pe Azure
| DURATĂ | NIVEL | TEHNOLOGIE | LIVRARE METODĂ |
ANTRENAMENT CREDITE |
| 3 de zile | Intermediar | Azur | Condus de instructor | NA |
INTRODUCERE
Obțineți cunoștințele necesare despre cum să utilizați serviciile Azure pentru a dezvolta, antrena și implementa soluții de învățare automată. Cursul începe cu o terminareview de servicii Azure care acceptă știința datelor. De acolo, se concentrează pe utilizarea celui mai important serviciu de știință a datelor Azure, serviciul Azure Machine Learning, pentru a automatiza conducta de știință a datelor. Acest curs este axat pe Azure și nu îl învață pe student cum să facă știința datelor. Se presupune că studenții știu deja asta.
AUDIENCE PROFILE
Acest curs se adresează oamenilor de știință ai datelor și celor cu responsabilități semnificative în formarea și implementarea modelelor de învățare automată.
CERINTE
Înainte de a urma acest curs, studenții trebuie să aibă:
- Fundamentele Azure
- Înțelegerea științei datelor, inclusiv modul de pregătire a datelor, pregătirea modelelor și evaluarea modelelor concurente pentru a-l selecta pe cel mai bun.
- Cum să programați în limbajul de programare Python și să utilizați bibliotecile Python: panda, scikit-learn, matplotlib și seaborn.
OBIECTIVELE CURSULUI
După finalizarea acestui curs, studenții vor fi capabili să:
- Înțelegeți știința datelor în Azure
- Utilizați Machine Learning pentru a automatiza procesul de la capăt la capăt
- Gestionați și monitorizați serviciul Machine Learning
Modulul 1: Noțiuni introductive cu Azure Machine Learning
În acest modul, veți învăța cum să furnizați un spațiu de lucru Azure Machine Learning și să îl utilizați pentru a gestiona activele de învățare automată, cum ar fi datele, calcularea, codul de antrenament al modelului, valorile înregistrate și modelele antrenate. Veți învăța cum să utilizați webinterfață de studio Azure Machine Learning, precum și SDK-ul Azure Machine Learning și instrumente pentru dezvoltatori, cum ar fi Visual Studio Code și Jupyter Notebooks, pentru a lucra cu activele din spațiul dvs. de lucru.
Lecții
- Introducere în Azure Machine Learning
- Lucrul cu Azure Machine Learning
- Laborator: Creați un spațiu de lucru Azure Machine Learning
- Furnizați un spațiu de lucru Azure Machine Learning
- Utilizați instrumente și cod pentru a lucra cu Azure Machine Learning
Modulul 2: Instrumente vizuale pentru învățarea automată
Acest modul prezintă instrumentele vizuale Automated Machine Learning și Designer, pe care le puteți folosi pentru a instrui, evalua și implementa modele de machine learning fără a scrie niciun cod.
Lecții
- Învățarea automată a mașinilor
- Azure Machine Learning Designer
Laborator: Utilizați învățarea automată automată
Laborator: Utilizați Azure Machine Learning Designer
După finalizarea acestui modul, veți putea
- Utilizați învățarea automată pentru a antrena un model de învățare automată
- Utilizați designerul Azure Machine Learning pentru a antrena un model
Modulul 3: Experimente de rulare și modele de antrenament
În acest modul, veți începe cu experimente care încapsulează procesarea datelor, codul de antrenament al modelului și le veți folosi pentru a antrena modele de învățare automată. Lecții
- Introducere în experimente
- Modele de instruire și înregistrare
Laborator: Modele de trenuri
Laborator: Rulați experimente
După finalizarea acestui modul, veți putea
- Rulați experimente bazate pe cod într-un spațiu de lucru Azure Machine Learning
- Antrenează și înregistrează modele de învățare automată
Modulul 4: Lucrul cu date de date
este un element fundamental în orice sarcină de lucru de învățare automată, așa că în acest modul, veți învăța cum să creați și să gestionați depozite de date și seturi de date într-un spațiu de lucru Azure Machine Learning și cum să le utilizați în experimente de antrenament model.
Lecții
- Lucrul cu Datastores
- Lucrul cu seturi de date
Laborator: Lucrați cu date
După finalizarea acestui modul, veți putea
- Creați și utilizați depozite de date
- Creați și utilizați seturi de date
Modulul 5: Lucrul cu Compute
Unul dintre beneficiile cheie ale cloud-ului este capacitatea de a folosi resursele de calcul la cerere și de a le folosi pentru a scala procesele de învățare automată într-o măsură care ar fi imposibil de realizat pe propriul hardware. În acest modul, veți învăța cum să gestionați mediile de experiment care asigură consecvența timpului de rulare pentru experimente și cum să creați și să utilizați ținte de calcul pentru rulările experimentului.
Lecții
- Lucrul cu mediile
- Lucrul cu ținte de calcul
Laborator: Lucrați cu Compute
După finalizarea acestui modul, veți putea
- Creați și utilizați medii
- Creați și utilizați ținte de calcul
Modulul 6: Orchestrarea operațiunilor cu conducte
Acum că înțelegeți elementele de bază ale rulării sarcinilor de lucru ca experimente care valorifică resursele de date și resursele de calcul, este timpul să învățați cum să orchestrați aceste încărcături de lucru ca conducte de pași conectați. Conductele sunt cheia pentru implementarea unei soluții eficiente de operaționalizare a învățării automate (ML Ops) în Azure, așa că veți explora cum să le definiți și să le rulați în acest modul.
Lecții
- Introducere în conducte
- Publicarea și rularea conductelor
Laborator: Creați o conductă
După finalizarea acestui modul, veți putea
- Creați conducte pentru a automatiza fluxurile de lucru de învățare automată
- Publicați și rulați servicii de conducte
Modulul 7: Implementarea și consumarea modelelor
Modelele sunt concepute pentru a ajuta la luarea deciziilor prin predicții, așa că sunt utile numai atunci când sunt implementate și disponibile pentru consumarea unei aplicații. În acest modul, aflați cum să implementați modele pentru inferență în timp real și pentru inferență în loturi.
Lecții
- Inferențele în timp real
- Inferențele pe lot
- Integrare și livrare continuă
Laborator: Creați un serviciu de inferențe în timp real
Laborator: Creați un serviciu de inferență în loturi
După finalizarea acestui modul, veți putea
- Publicați un model ca serviciu de inferență în timp real
- Publicați un model ca serviciu de inferență pe lot
- Descrieți tehnici de implementare a integrării și livrării continue
Modulul 8: Antrenarea modelelor optime
Prin acest stagÎn cadrul cursului, ați învățat procesul de la capăt la capăt pentru formarea, implementarea și consumarea modelelor de învățare automată; dar cum vă asigurați că modelul dvs. produce cele mai bune rezultate predictive pentru datele dvs.? În acest modul, veți explora modul în care puteți utiliza reglarea hiperparametrului și învățarea automată automată pentru a avansatage de calcul la scară cloud și găsiți cel mai bun model pentru datele dvs.
Lecții
- Reglajul hiperparametrilor
- Învățarea automată a mașinilor
Laborator: Utilizați învățarea automată automată din SDK
Laborator: Reglați hiperparametrii După finalizarea acestui modul, veți putea
- Optimizați hiperparametrii pentru antrenamentul modelului
- Utilizați învățarea automată automată pentru a găsi modelul optim pentru datele dvs
Modulul 9: Învățare automată responsabilă
Oamenii de știință de date au datoria de a se asigura că analizează datele și antrenează în mod responsabil modelele de învățare automată; respectarea intimității individuale, atenuarea părtinirii și asigurarea transparenței. Acest modul explorează câteva considerații și tehnici pentru aplicarea principiilor învățării automate responsabile. Lecții
- Confidențialitate diferențială
- Interpretabilitatea modelului
- Corectitudine
Laborator: Explorați demonstrația diferențială
Laborator: Interpretarea modelelor
Laborator: Detectați și atenuați nedreptățile După finalizarea acestui modul, veți putea
- Aplicați demonstrația diferențială la analiza datelor
- Folosiți explicații pentru a interpreta modele de învățare automată
- Evaluați modelele pentru corectitudine
Modulul 10: Modele de monitorizare
După ce un model a fost implementat, este important să înțelegeți modul în care modelul este utilizat în producție și să detectați orice degradare a eficacității sale din cauza derivării datelor. Acest modul descrie tehnici de monitorizare a modelelor și a datelor acestora. Lecții
- Monitorizarea modelelor cu aplicație Insights
- Monitorizarea derivării datelor
Laborator: Monitorizați deriva de date
Laborator: Monitorizați un model cu Application Insights
După finalizarea acestui modul, veți putea
- Utilizați Application Insights pentru a monitoriza un model publicat
- Monitorizați deriva de date
CERTIFICAȚI ȘI EXAMEN ASOCIATE
Acest curs îi va pregăti pe delegați să scrie examenul Microsoft DP-100: Designing and Implementing a Data Science Solution on Azure.
Documente/Resurse
 |
MECER MS-DP100T01 Proiectarea și implementarea soluției Data Science pe Azure [pdfGhid de utilizare MS-DP100T01 Proiectarea și implementarea soluției Data Science pe Azure, MS-DP100T01, Proiectarea și implementarea soluției Data Science pe Azure |
