MECER MS-DP100T01 การออกแบบและนำโซลูชันวิทยาศาสตร์ข้อมูลไปใช้บน Azure

ระยะเวลา	ระดับ	เทคโนโลยี	จัดส่ง วิธี	การฝึกอบรม เครดิต
3 วัน	ระดับกลาง	สีฟ้า	ผู้สอนนำ	NA

การแนะนำ

รับความรู้ที่จำเป็นเกี่ยวกับวิธีการใช้บริการ Azure เพื่อพัฒนา ฝึกอบรม และปรับใช้โซลูชันแมชชีนเลิร์นนิง หลักสูตรเริ่มต้นด้วยการสิ้นสุดview ของบริการ Azure ที่รองรับวิทยาการข้อมูล จากนั้นจะมุ่งเน้นไปที่การใช้บริการวิทยาศาสตร์ข้อมูลชั้นนำของ Azure ซึ่งเป็นบริการ Azure Machine Learning เพื่อทำให้ไปป์ไลน์วิทยาศาสตร์ข้อมูลเป็นไปโดยอัตโนมัติ หลักสูตรนี้มุ่งเน้นไปที่ Azure และไม่ได้สอนนักเรียนถึงวิธีการทำวิทยาศาสตร์ข้อมูล ถือว่านักเรียนรู้อยู่แล้ว

ผู้ชมมืออาชีพFILE

หลักสูตรนี้มุ่งเป้าไปที่นักวิทยาศาสตร์ข้อมูลและผู้ที่มีหน้าที่รับผิดชอบสำคัญในการฝึกอบรมและปรับใช้โมเดลแมชชีนเลิร์นนิง

ข้อกำหนดเบื้องต้น

ก่อนเข้าเรียนหลักสูตรนี้ นักเรียนจะต้องมี:

• พื้นฐานของ Azure
• ความเข้าใจด้านวิทยาศาสตร์ข้อมูล รวมถึงวิธีการเตรียมข้อมูล ฝึกโมเดล และประเมินโมเดลคู่แข่งเพื่อเลือกโมเดลที่ดีที่สุด
• วิธีเขียนโปรแกรมด้วยภาษาโปรแกรม Python และใช้ไลบรารี Python: pandas, scikit-learn, matplotlib และ seaborn

วัตถุประสงค์ของหลักสูตร

หลังจากจบหลักสูตรนี้แล้ว นักเรียนจะสามารถ:

• ทำความเข้าใจเกี่ยวกับวิทยาศาสตร์ข้อมูลใน Azure
• ใช้การเรียนรู้ของเครื่องเพื่อทำให้กระบวนการตั้งแต่ต้นจนจบเป็นไปโดยอัตโนมัติ
• จัดการและตรวจสอบบริการการเรียนรู้ของเครื่อง

 

โมดูล 1: เริ่มต้นใช้งาน Azure Machine Learning
ในโมดูลนี้ คุณจะได้เรียนรู้วิธีการจัดเตรียมพื้นที่ทำงาน Azure Machine Learning และใช้เพื่อจัดการสินทรัพย์การเรียนรู้ของเครื่อง เช่น ข้อมูล การคำนวณ โค้ดการฝึกโมเดล เมตริกที่บันทึกไว้ และโมเดลที่ผ่านการฝึกอบรม คุณจะได้เรียนรู้วิธีใช้ webอินเทอร์เฟซสตูดิโอ Azure Machine Learning ที่ใช้ Azure รวมถึง Azure Machine Learning SDK และเครื่องมือสำหรับนักพัฒนา เช่น Visual Studio Code และ Jupyter Notebooks เพื่อทำงานกับเนื้อหาในพื้นที่ทำงานของคุณ
บทเรียน

• รู้เบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่อง Azure
• การทำงานกับ Azure Machine Learning
• แล็ป: สร้างพื้นที่ทำงานการเรียนรู้ของเครื่อง Azure
• จัดเตรียมพื้นที่ทำงาน Azure Machine Learning
• ใช้เครื่องมือและโค้ดเพื่อทำงานกับ Azure Machine Learning

โมดูล 2: Visual Tools สำหรับการเรียนรู้ของเครื่อง
โมดูลนี้แนะนำเครื่องมือภาพการเรียนรู้ของเครื่องอัตโนมัติและนักออกแบบ ซึ่งคุณสามารถใช้ในการฝึกอบรม ประเมิน และปรับใช้โมเดลการเรียนรู้ของเครื่องโดยไม่ต้องเขียนโค้ดใดๆ
บทเรียน

• การเรียนรู้ของเครื่องอัตโนมัติ
• ผู้ออกแบบการเรียนรู้ของเครื่อง Azure

แล็ป: ใช้การเรียนรู้ของเครื่องอัตโนมัติ
แล็ป: ใช้ Azure Machine Learning Designer
หลังจากจบโมดูลนี้แล้ว คุณจะสามารถ

• ใช้แมชชีนเลิร์นนิงอัตโนมัติเพื่อฝึกโมเดลแมชชีนเลิร์นนิง
• ใช้ตัวออกแบบ Azure Machine Learning เพื่อฝึกโมเดล

โมดูล 3: เรียกใช้การทดสอบและแบบจำลองการฝึกอบรม

ในโมดูลนี้ คุณจะเริ่มต้นด้วยการทดลองที่สรุปการประมวลผลข้อมูล โค้ดการฝึกโมเดล และใช้เพื่อฝึกโมเดลแมชชีนเลิร์นนิง บทเรียน

• บทนำสู่การทดลอง
• การฝึกอบรมและการลงทะเบียนแบบจำลอง

แล็ป: โมเดลรถไฟ
แล็ป: เรียกใช้การทดสอบ
หลังจากจบโมดูลนี้แล้ว คุณจะสามารถ

• เรียกใช้การทดสอบตามโค้ดในพื้นที่ทำงาน Azure Machine Learning
• ฝึกฝนและลงทะเบียนโมเดลแมชชีนเลิร์นนิง

โมดูล 4: การทำงานกับข้อมูล ข้อมูล
เป็นองค์ประกอบพื้นฐานในเวิร์กโหลดแมชชีนเลิร์นนิง ดังนั้นในโมดูลนี้ คุณจะได้เรียนรู้วิธีสร้างและจัดการดาต้าสโตร์และชุดข้อมูลในพื้นที่ทำงานแมชชีนเลิร์นนิงของ Azure และวิธีใช้ในการทดลองฝึกโมเดล
บทเรียน

• การทำงานกับ Datastores
• การทำงานกับชุดข้อมูล

แล็ป: ทำงานกับข้อมูล
หลังจากจบโมดูลนี้แล้ว คุณจะสามารถ

• สร้างและใช้ที่เก็บข้อมูล
• สร้างและใช้ชุดข้อมูล

โมดูล 5: การทำงานกับคอมพิวเตอร์
ประโยชน์หลักประการหนึ่งของคลาวด์คือความสามารถในการใช้ประโยชน์จากทรัพยากรการประมวลผลตามความต้องการและใช้ทรัพยากรเหล่านี้เพื่อปรับขนาดกระบวนการเรียนรู้ของเครื่องในขอบเขตที่ฮาร์ดแวร์ของคุณเองจะทำไม่ได้ ในโมดูลนี้ คุณจะได้เรียนรู้วิธีจัดการสภาพแวดล้อมการทดสอบที่ทำให้รันไทม์สอดคล้องกันสำหรับการทดสอบ และวิธีสร้างและใช้เป้าหมายการคำนวณสำหรับการทดสอบ
บทเรียน

• การทำงานกับสภาพแวดล้อม
• การทำงานกับเป้าหมายคอมพิวเตอร์

แล็ป: ทำงานกับคอมพิวเตอร์
หลังจากจบโมดูลนี้แล้ว คุณจะสามารถ

• สร้างและใช้สภาพแวดล้อม
• สร้างและใช้เป้าหมายการคำนวณ

โมดูล 6: การประสานการดำเนินการกับไปป์ไลน์
ตอนนี้คุณเข้าใจพื้นฐานของการเรียกใช้ปริมาณงานเป็นการทดลองที่ใช้ประโยชน์จากเนื้อหาข้อมูลและทรัพยากรในการคำนวณแล้ว ก็ถึงเวลาเรียนรู้วิธีจัดระบบปริมาณงานเหล่านี้เป็นไปป์ไลน์ของขั้นตอนที่เชื่อมต่อกัน ไปป์ไลน์เป็นกุญแจสำคัญในการปรับใช้โซลูชัน Machine Learning Operationalization (ML Ops) ที่มีประสิทธิภาพใน Azure ดังนั้นคุณจะได้สำรวจวิธีกำหนดและเรียกใช้ในโมดูลนี้
บทเรียน

• รู้เบื้องต้นเกี่ยวกับท่อ
• การเผยแพร่และการรันไปป์ไลน์

แล็ป: สร้างไปป์ไลน์
หลังจากจบโมดูลนี้แล้ว คุณจะสามารถ

• สร้างไปป์ไลน์เพื่อทำให้เวิร์กโฟลว์แมชชีนเลิร์นนิงเป็นอัตโนมัติ
• เผยแพร่และเรียกใช้บริการไปป์ไลน์

โมดูล 7: การปรับใช้และการใช้โมเดล
โมเดลได้รับการออกแบบมาเพื่อช่วยในการตัดสินใจผ่านการคาดคะเน ดังนั้นโมเดลจึงมีประโยชน์เฉพาะเมื่อปรับใช้และพร้อมใช้งานสำหรับแอปพลิเคชันที่จะใช้ ในโมดูลนี้ เรียนรู้วิธีปรับใช้แบบจำลองสำหรับการอนุมานตามเวลาจริง และสำหรับการอนุมานแบบกลุ่ม
บทเรียน

• การอนุมานตามเวลาจริง
• การอนุมานเป็นชุด
• การบูรณาการและการส่งมอบอย่างต่อเนื่อง

แล็ป: สร้างบริการอ้างอิงตามเวลาจริง
แล็ป: สร้างบริการการอนุมานเป็นชุด
หลังจากจบโมดูลนี้แล้ว คุณจะสามารถ

• เผยแพร่แบบจำลองเป็นบริการอนุมานตามเวลาจริง
• เผยแพร่แบบจำลองเป็นบริการการอนุมานแบบกลุ่ม
• อธิบายเทคนิคในการนำการรวมและการส่งมอบอย่างต่อเนื่องไปใช้

โมดูล 8: การฝึกอบรมโมเดลที่เหมาะสมที่สุด
โดยสtagในหลักสูตรนี้ คุณได้เรียนรู้กระบวนการแบบ end-to-end สำหรับการฝึกอบรม การปรับใช้ และการใช้โมเดลแมชชีนเลิร์นนิง แต่คุณจะแน่ใจได้อย่างไรว่าโมเดลของคุณสร้างผลลัพธ์ที่คาดเดาได้ดีที่สุดสำหรับข้อมูลของคุณ ในโมดูลนี้ คุณจะสำรวจวิธีใช้การปรับไฮเปอร์พารามิเตอร์และแมชชีนเลิร์นนิงอัตโนมัติเพื่อก้าวไปข้างหน้าtage ของการประมวลผลระดับคลาวด์และค้นหาโมเดลที่ดีที่สุดสำหรับข้อมูลของคุณ
บทเรียน

• การปรับไฮเปอร์พารามิเตอร์
• การเรียนรู้ของเครื่องอัตโนมัติ

แล็ป: ใช้การเรียนรู้ของเครื่องอัตโนมัติจาก SDK
แล็ป: ปรับ Hyperparameters หลังจากเสร็จสิ้นโมดูลนี้ คุณจะสามารถ

• ปรับไฮเปอร์พารามิเตอร์ให้เหมาะสมสำหรับการฝึกโมเดล
• ใช้แมชชีนเลิร์นนิงอัตโนมัติเพื่อค้นหาโมเดลที่เหมาะสมที่สุดสำหรับข้อมูลของคุณ

โมดูล 9: การเรียนรู้ของเครื่องอย่างมีความรับผิดชอบ
นักวิทยาศาสตร์ข้อมูลมีหน้าที่ทำให้แน่ใจว่าพวกเขาวิเคราะห์ข้อมูลและฝึกฝนโมเดลการเรียนรู้ของเครื่องอย่างมีความรับผิดชอบ เคารพความเป็นส่วนตัวส่วนบุคคล ลดอคติ และรับรองความโปร่งใส โมดูลนี้สำรวจข้อควรพิจารณาและเทคนิคบางประการสำหรับการใช้หลักการการเรียนรู้ของเครื่องอย่างมีความรับผิดชอบ บทเรียน

• ความเป็นส่วนตัวที่แตกต่างกัน
• การตีความแบบจำลอง
• ความยุติธรรม

แล็ป: สำรวจความแตกต่างของ provacy
แล็ป: ตีความโมเดล
แล็ป: ตรวจจับและบรรเทาความไม่ยุติธรรม หลังจากจบโมดูลนี้แล้ว คุณจะสามารถทำได้

• ใช้ความแตกต่างของ provacy ในการวิเคราะห์ข้อมูล
• ใช้ตัวอธิบายเพื่อตีความโมเดลแมชชีนเลิร์นนิง
• ประเมินแบบจำลองเพื่อความเป็นธรรม

โมดูล 10: แบบจำลองการตรวจสอบ
หลังจากปรับใช้โมเดลแล้ว สิ่งสำคัญคือต้องทำความเข้าใจว่าโมเดลถูกนำไปใช้ในการผลิตอย่างไร และตรวจหาประสิทธิภาพที่ลดลงเนื่องจากการเลื่อนลอยของข้อมูล โมดูลนี้อธิบายเทคนิคสำหรับการมอนิเตอร์โมเดลและข้อมูล บทเรียน

• การตรวจสอบโมเดลด้วย Application Insights
• การตรวจสอบการล่องลอยของข้อมูล

แล็ป: ตรวจสอบการล่องลอยของข้อมูล
แล็ป: ตรวจสอบโมเดลด้วย Application Insights
หลังจากจบโมดูลนี้แล้ว คุณจะสามารถ

• ใช้ Application Insights เพื่อตรวจสอบแบบจำลองที่เผยแพร่
• ตรวจสอบการล่องลอยของข้อมูล

ใบรับรองที่เกี่ยวข้องและการสอบ

หลักสูตรนี้จะเตรียมผู้ได้รับมอบหมายให้เขียน Microsoft DP-100: Designing and Implementing a Data Science Solution on Azure exam

เอกสาร / แหล่งข้อมูล

MECER MS-DP100T01 การออกแบบและนำโซลูชันวิทยาศาสตร์ข้อมูลไปใช้บน Azure [พีดีเอฟ] คู่มือการใช้งาน MS-DP100T01 การออกแบบและนำโซลูชันวิทยาศาสตร์ข้อมูลไปใช้บน Azure, MS-DP100T01 การออกแบบและนำโซลูชันวิทยาข้อมูลไปใช้บน Azure

อ้างอิง

• คู่มือการใช้งาน