MECER MS-DP100T01 Azure'da Veri Bilimi Çözümü Tasarlama ve Uygulama
| SÜRE | SEVİYE | TEKNOLOJİ | TESLİMAT YÖNTEM |
EĞİTİM KREDİLER |
| 3 Gün | Orta seviye | Mavi | Eğitmen liderliğinde | NA |
GİRİİŞ
Makine öğrenimi çözümleri geliştirmek, eğitmek ve dağıtmak için Azure hizmetlerinin nasıl kullanılacağı hakkında gerekli bilgileri edinin. Kurs bir over ile başlarview Veri bilimini destekleyen Azure hizmetleri. Buradan itibaren veri bilimi hattını otomatikleştirmek için Azure'un önde gelen veri bilimi hizmeti olan Azure Machine Learning hizmetinin kullanılmasına odaklanılır. Bu kurs Azure'a odaklanmıştır ve öğrenciye veri biliminin nasıl yapılacağını öğretmez. Öğrencilerin bunu zaten bildiği varsayılmaktadır.
KİTLE PROFILE
Bu kurs, veri bilimcilerine ve makine öğrenimi modellerinin eğitimi ve dağıtımında önemli sorumluluklara sahip olanlara yöneliktir.
ÖNGEREKLİLİKLER
Bu kursa katılmadan önce, öğrenciler:
- Azure Temelleri
- Verilerin nasıl hazırlanacağı, modellerin nasıl eğitileceği ve en iyi olanı seçmek için rakip modellerin nasıl değerlendirileceği dahil olmak üzere veri bilimi anlayışı.
- Python programlama dilinde nasıl programlama yapılır ve Python kütüphaneleri nasıl kullanılır: pandas, scikit-learn, matplotlib ve seaborn.
KURS HEDEFLERİ
Bu dersi tamamladıktan sonra öğrenciler şunları yapabileceklerdir:
- Azure'da veri bilimini anlayın
- Uçtan uca süreci otomatikleştirmek için Makine Öğrenimini kullanın
- Makine Öğrenimi hizmetini yönetin ve izleyin
Modül 1: Azure Machine Learning'e Başlarken
Bu modülde bir Azure Machine Learning çalışma alanının nasıl sağlanacağını ve bunu veriler, bilgi işlem, model eğitim kodu, günlüğe kaydedilen ölçümler ve eğitilmiş modeller gibi makine öğrenimi varlıklarını yönetmek için nasıl kullanacağınızı öğreneceksiniz. Nasıl kullanılacağını öğreneceksiniz webçalışma alanınızdaki varlıklarla çalışmak için Azure Machine Learning stüdyo arayüzünün yanı sıra Azure Machine Learning SDK'nın yanı sıra Visual Studio Code ve Jupyter Notebooks gibi geliştirici araçlarına sahiptir.
Dersler
- Azure Machine Learning'e Giriş
- Azure Machine Learning'le çalışma
- Laboratuvar: Azure Machine Learning Çalışma Alanı Oluşturma
- Azure Machine Learning çalışma alanı sağlayın
- Azure Machine Learning ile çalışmak için araçları ve kodları kullanın
Modül 2: Makine Öğrenimi için Görsel Araçlar
Bu modül, makine öğrenimi modellerini herhangi bir kod yazmadan eğitmek, değerlendirmek ve dağıtmak için kullanabileceğiniz Otomatik Makine Öğrenimi ve Tasarımcı görsel araçlarını tanıtır.
Dersler
- Otomatik Makine Öğrenimi
- Azure Makine Öğrenimi Tasarımcısı
Laboratuvar: Otomatik Makine Öğrenimini Kullanın
Laboratuvar: Azure Machine Learning Designer'ı kullanın
Bu modülü tamamladıktan sonra şunları yapabileceksiniz:
- Bir makine öğrenimi modelini eğitmek için otomatik makine öğrenimini kullanın
- Bir modeli eğitmek için Azure Machine Learning tasarımcısını kullanın
Modül 3: Deneylerin Çalıştırılması ve Eğitim Modelleri
Bu modülde veri işlemeyi ve model eğitim kodunu kapsayan deneylere başlayacak ve bunları makine öğrenimi modellerini eğitmek için kullanacaksınız. Dersler
- Deneylere Giriş
- Eğitim ve Kayıt Modelleri
Laboratuvar: Tren Modelleri
Laboratuvar: Denemeleri Çalıştır
Bu modülü tamamladıktan sonra şunları yapabileceksiniz:
- Azure Machine Learning çalışma alanında kod tabanlı denemeler çalıştırın
- Makine öğrenimi modellerini eğitme ve kaydetme
Modül 4: Veri Verileriyle Çalışmak
herhangi bir makine öğrenimi iş yükünün temel öğesi olduğundan bu modülde, bir Azure Machine Learning çalışma alanında veri depoları ve veri kümelerinin nasıl oluşturulacağını ve yönetileceğini ve bunların model eğitimi denemelerinde nasıl kullanılacağını öğreneceksiniz.
Dersler
- Veri Depolarıyla Çalışmak
- Veri Kümeleri ile Çalışma
Laboratuvar: Verilerle Çalışma
Bu modülü tamamladıktan sonra şunları yapabileceksiniz:
- Veri depoları oluşturma ve kullanma
- Veri kümeleri oluşturma ve kullanma
Modül 5: Bilgi İşlem ile Çalışmak
Bulutun en önemli faydalarından biri, talep üzerine bilgi işlem kaynaklarından yararlanma ve bunları, makine öğrenimi süreçlerini kendi donanımınızda mümkün olmayacak ölçüde ölçeklendirmek için kullanabilme yeteneğidir. Bu modülde, denemeler için tutarlı çalışma zamanı tutarlılığı sağlayan deneme ortamlarının nasıl yönetileceğini ve deneme çalıştırmaları için işlem hedeflerinin nasıl oluşturulacağını ve kullanılacağını öğreneceksiniz.
Dersler
- Ortamlarla Çalışmak
- İşlem Hedefleriyle Çalışmak
Laboratuvar: Hesaplamayla Çalışma
Bu modülü tamamladıktan sonra şunları yapabileceksiniz:
- Ortamlar oluşturun ve kullanın
- İşlem hedefleri oluşturma ve kullanma
Modül 6: Operasyonları Boru Hatlarıyla Düzenleme
Artık iş yüklerini veri varlıklarından ve bilgi işlem kaynaklarından yararlanan deneyler olarak çalıştırmanın temellerini anladığınıza göre, bu iş yüklerini bağlantılı adımlardan oluşan işlem hatları olarak nasıl düzenleyeceğinizi öğrenmenin zamanı geldi. İşlem hatları, Azure'da etkili bir Makine Öğrenimi Operasyonelleştirme (ML Ops) çözümü uygulamanın anahtarıdır; dolayısıyla bu modülde bunları nasıl tanımlayıp çalıştıracağınızı keşfedeceksiniz.
Dersler
- Boru Hatlarına Giriş
- İşlem Hatlarını Yayınlama ve Çalıştırma
Laboratuvar: Ardışık Düzen Oluştur
Bu modülü tamamladıktan sonra şunları yapabileceksiniz:
- Makine öğrenimi iş akışlarını otomatikleştirmek için işlem hatları oluşturun
- İşlem hattı hizmetlerini yayınlama ve çalıştırma
Modül 7: Modelleri Dağıtma ve Kullanma
Modeller, tahminler yoluyla karar vermeye yardımcı olmak üzere tasarlanmıştır; bu nedenle, yalnızca dağıtıldığında ve bir uygulamanın kullanımına sunulduğunda kullanışlıdırlar. Bu modülde, gerçek zamanlı çıkarım ve toplu çıkarım için modellerin nasıl dağıtılacağını öğrenin.
Dersler
- Gerçek Zamanlı Çıkarım
- Toplu Çıkarım
- Sürekli Entegrasyon ve Teslimat
Laboratuvar: Gerçek Zamanlı Çıkarım Hizmeti Oluşturun
Laboratuvar: Toplu Çıkarım Hizmeti Oluşturma
Bu modülü tamamladıktan sonra şunları yapabileceksiniz:
- Bir modeli gerçek zamanlı çıkarım hizmeti olarak yayınlama
- Bir modeli toplu çıkarım hizmeti olarak yayımlama
- Sürekli entegrasyon ve teslimatı uygulamaya yönelik teknikleri açıklama
Modül 8: Optimal Modellerin Eğitimi
Bu şekildetagKurs sırasında makine öğrenimi modellerini eğitmek, dağıtmak ve tüketmek için uçtan uca süreci öğrendiniz; ancak modelinizin verileriniz için en iyi tahmine dayalı çıktıları üretmesini nasıl sağlarsınız? Bu modülde, ilerleme sağlamak için hiperparametre ayarlamayı ve otomatik makine öğrenimini nasıl kullanabileceğinizi keşfedeceksiniz.tagBulut ölçeğinde bilgi işlem yapın ve verileriniz için en iyi modeli bulun.
Dersler
- Hiperparametre Ayarlaması
- Otomatik Makine Öğrenimi
Laboratuvar: SDK'dan Otomatik Makine Öğrenimini Kullanın
Laboratuvar: Hiperparametreleri Ayarlama Bu modülü tamamladıktan sonra şunları yapabileceksiniz:
- Model eğitimi için hiperparametreleri optimize edin
- Verileriniz için en uygun modeli bulmak amacıyla otomatik makine öğrenimini kullanın
Modül 9: Sorumlu Makine Öğrenimi
Veri bilimcilerinin, verileri analiz etmelerini ve makine öğrenimi modellerini sorumlu bir şekilde eğitmelerini sağlama görevi vardır; bireysel mahremiyete saygı duymak, önyargıyı azaltmak ve şeffaflığı sağlamak. Bu modül, sorumlu makine öğrenimi ilkelerini uygulamaya yönelik bazı hususları ve teknikleri araştırmaktadır. Dersler
- Farklı Gizlilik
- Model Yorumlanabilirliği
- Adalet
Laboratuvar: Diferansiyel provası keşfedin
Laboratuvar: Modelleri Yorumlama
Laboratuvar: Haksızlığı Tespit Etme ve Azaltma Bu modülü tamamladıktan sonra şunları yapabileceksiniz:
- Veri analizine diferansiyel kanıtlama uygulayın
- Makine öğrenimi modellerini yorumlamak için açıklayıcıları kullanın
- Modelleri adalet açısından değerlendirin
Modül 10: Modelleri İzleme
Bir model dağıtıldıktan sonra, modelin üretimde nasıl kullanıldığını anlamak ve veri kayması nedeniyle etkinliğinde herhangi bir bozulma olup olmadığını tespit etmek önemlidir. Bu modül, modelleri ve verilerini izlemeye yönelik teknikleri açıklamaktadır. Dersler
- Application Insights ile Modelleri İzleme
- Veri Kaymasını İzleme
Laboratuvar: Veri Kaymasını İzleme
Laboratuvar: Application Insights ile Bir Modeli İzleme
Bu modülü tamamladıktan sonra şunları yapabileceksiniz:
- Yayımlanmış bir modeli izlemek için Application Insights'ı kullanma
- Veri kaymasını izleyin
İLGİLİ SERTİFİKALAR & SINAV
Bu kurs, delegeleri Microsoft DP-100: Azure'da Veri Bilimi Çözümü Tasarlamak ve Uygulamak sınavını yazmaya hazırlayacaktır.
Belgeler / Kaynaklar
 |
MECER MS-DP100T01 Azure'da Veri Bilimi Çözümü Tasarlama ve Uygulama [pdf] Kullanıcı Kılavuzu MS-DP100T01 Azure'da Veri Bilimi Çözümü Tasarlama ve Uygulama, MS-DP100T01, Azure'da Veri Bilimi Çözümü Tasarlama ve Uygulama |
