MECER MS-DP100T01 Designa och implementera Data Science Solution på Azure
| VARAKTIGHET | NIVÅ | TEKNOLOGI | LEVERANS METOD |
UTBILDNING KREDITER |
| 3 dagar | Mellanliggande | Azurblå | Instruktörsledd | NA |
INTRODUKTION
Få nödvändig kunskap om hur du använder Azure-tjänster för att utveckla, träna och distribuera maskininlärningslösningar. Kursen börjar med en överview av Azure-tjänster som stöder datavetenskap. Därifrån fokuserar det på att använda Azures främsta datavetenskapstjänst, Azure Machine Learning-tjänst, för att automatisera datavetenskapspipelinen. Den här kursen är fokuserad på Azure och lär inte studenten hur man gör datavetenskap. Det antas att eleverna redan vet det.
PUBLIK PROFILE
Den här kursen riktar sig till datavetare och de med betydande ansvar för att träna och implementera maskininlärningsmodeller.
FÖRUTSÄTTNINGAR
Innan du går denna kurs måste studenterna ha:
- Azure Fundamentals
- Förståelse för datavetenskap inklusive hur man förbereder data, tränar modeller och utvärderar konkurrerande modeller för att välja den bästa.
- Hur man programmerar i programmeringsspråket Python och använder Python-biblioteken: pandor, scikit-learn, matplotlib och seaborn.
KURSMÅL
Efter genomgången kurs kommer studenterna att kunna:
- Förstå datavetenskapen i Azure
- Använd maskininlärning för att automatisera end-to-end-processen
- Hantera och övervaka maskininlärningstjänsten
Modul 1: Komma igång med Azure Machine Learning
I den här modulen kommer du att lära dig hur du tillhandahåller en Azure Machine Learning-arbetsyta och använder den för att hantera maskininlärningstillgångar som data, beräkning, modellutbildningskod, loggade mätvärden och tränade modeller. Du kommer att lära dig hur du använder web-baserat Azure Machine Learning studiogränssnitt samt Azure Machine Learning SDK och utvecklarverktyg som Visual Studio Code och Jupyter Notebooks för att arbeta med tillgångarna i din arbetsyta.
Lektioner
- Introduktion till Azure Machine Learning
- Arbeta med Azure Machine Learning
- Labb: Skapa en Azure Machine Learning Workspace
- Tillhandahålla en Azure Machine Learning-arbetsyta
- Använd verktyg och kod för att arbeta med Azure Machine Learning
Modul 2: Visuella verktyg för maskininlärning
Den här modulen introducerar de visuella verktygen Automated Machine Learning och Designer, som du kan använda för att träna, utvärdera och distribuera maskininlärningsmodeller utan att skriva någon kod.
Lektioner
- Automatiserad maskininlärning
- Azure Machine Learning Designer
Labb: Använd automatisk maskininlärning
Labb: Använd Azure Machine Learning Designer
Efter att ha genomfört denna modul kommer du att kunna
- Använd automatiserad maskininlärning för att träna en maskininlärningsmodell
- Använd Azure Machine Learning-designer för att träna en modell
Modul 3: Löpningsexperiment och träningsmodeller
I den här modulen kommer du att komma igång med experiment som kapslar in databehandling, modellutbildningskod och använder dem för att träna maskininlärningsmodeller. Lektioner
- Introduktion till experiment
- Utbildning och registrering av modeller
Labb: Tågmodeller
Labb: Kör experiment
Efter att ha genomfört denna modul kommer du att kunna
- Kör kodbaserade experiment i en Azure Machine Learning-arbetsyta
- Träna och registrera maskininlärningsmodeller
Modul 4: Arbeta med datadata
är ett grundläggande element i alla maskininlärningsarbetsbelastningar, så i den här modulen kommer du att lära dig hur du skapar och hanterar datalager och datauppsättningar i en Azure Machine Learning-arbetsyta och hur du använder dem i modellträningsexperiment.
Lektioner
- Arbeta med databutiker
- Arbeta med datamängder
Labb: Arbeta med data
Efter att ha genomfört denna modul kommer du att kunna
- Skapa och använd databutiker
- Skapa och använd datauppsättningar
Modul 5: Arbeta med Compute
En av de viktigaste fördelarna med molnet är möjligheten att utnyttja beräkningsresurser på begäran och använda dem för att skala maskininlärningsprocesser i en omfattning som skulle vara omöjlig på din egen hårdvara. I den här modulen lär du dig hur du hanterar experimentmiljöer som säkerställer konsekvent körtidskonsistens för experiment, och hur du skapar och använder beräkningsmål för experimentkörningar.
Lektioner
- Arbeta med miljöer
- Arbeta med Compute Targets
Labb: Arbeta med Compute
Efter att ha genomfört denna modul kommer du att kunna
- Skapa och använd miljöer
- Skapa och använd beräkna mål
Modul 6: Orkestering av operationer med pipelines
Nu när du förstår grunderna för att köra arbetsbelastningar som experiment som drar nytta av datatillgångar och beräkningsresurser, är det dags att lära dig hur du kan orkestrera dessa arbetsbelastningar som pipelines av anslutna steg. Pipelines är nyckeln till att implementera en effektiv Machine Learning Operationalization (ML Ops)-lösning i Azure, så du kommer att utforska hur du definierar och kör dem i den här modulen.
Lektioner
- Introduktion till rörledningar
- Publicering och drift av pipelines
Labb: Skapa en pipeline
Efter att ha genomfört denna modul kommer du att kunna
- Skapa pipelines för att automatisera arbetsflöden för maskininlärning
- Publicera och kör pipelinetjänster
Modul 7: Installera och konsumera modeller
Modeller är utformade för att hjälpa beslutsfattande genom förutsägelser, så de är bara användbara när de är distribuerade och tillgängliga för en applikation att konsumera. I den här modulen lär du dig hur du distribuerar modeller för realtidsinferencing och för batch-inferencing.
Lektioner
- Inferencing i realtid
- Batch inferencing
- Kontinuerlig integration och leverans
Labb: Skapa en slutledningstjänst i realtid
Labb: Skapa en batchinferencingtjänst
Efter att ha genomfört denna modul kommer du att kunna
- Publicera en modell som en slutledningstjänst i realtid
- Publicera en modell som en batch-inferenstjänst
- Beskriv tekniker för att implementera kontinuerlig integration och leverans
Modul 8: Utbildning av optimala modeller
Genom detta stagI kursen har du lärt dig hela processen för utbildning, driftsättning och konsumtion av maskininlärningsmodeller; men hur säkerställer du att din modell ger de bästa prediktiva utdata för dina data? I den här modulen kommer du att utforska hur du kan använda hyperparameterjustering och automatiserad maskininlärning för att ta fördeltage av molnskala beräkna och hitta den bästa modellen för din data.
Lektioner
- Inställning av hyperparameter
- Automatiserad maskininlärning
Labb: Använd automatisk maskininlärning från SDK
Labb: Justera hyperparametrar Efter att ha slutfört denna modul kommer du att kunna
- Optimera hyperparametrar för modellträning
- Använd automatiserad maskininlärning för att hitta den optimala modellen för din data
Modul 9: Ansvarsfullt maskininlärning
Dataforskare har en skyldighet att se till att de analyserar data och tränar maskininlärningsmodeller på ett ansvarsfullt sätt; respektera individuell integritet, mildra partiskhet och säkerställa öppenhet. Den här modulen utforskar några överväganden och tekniker för att tillämpa principer för ansvarsfull maskininlärning. Lektioner
- Differentiell integritet
- Modellens tolkbarhet
- Rättvisa
Labb: Utforska differentiell provacy
Labb: Tolka modeller
Labb: Upptäcka och mildra orättvisor Efter att ha slutfört den här modulen kommer du att kunna
- Tillämpa differentiell provacy för dataanalys
- Använd förklarare för att tolka modeller för maskininlärning
- Utvärdera modeller för rättvisa
Modul 10: Övervakningsmodeller
Efter att en modell har distribuerats är det viktigt att förstå hur modellen används i produktionen och att upptäcka eventuell försämring av dess effektivitet på grund av datadrift. Denna modul beskriver tekniker för övervakning av modeller och deras data. Lektioner
- Övervakning av modeller med applikationsinsikter
- Övervakning av datadrift
Labb: Övervaka datadrift
Labb: Övervaka en modell med applikationsinsikter
Efter att ha genomfört denna modul kommer du att kunna
- Använd Application Insights för att övervaka en publicerad modell
- Övervaka datadrift
ASSORCIERADE CERTIFIKATIONER & EXAM
Den här kursen kommer att förbereda delegater för att skriva Microsoft DP-100: Designing and Implementing a Data Science Solution on Azure.
Dokument/resurser
 |
MECER MS-DP100T01 Designa och implementera Data Science Solution på Azure [pdf] Användarhandbok MS-DP100T01 Designa och implementera Data Science Solution på Azure, MS-DP100T01, Designa och implementera Data Science Solution på Azure |
