MECER MS-DP100T01 Розробка та впровадження рішення Data Science на Azure
| ТРИВАЛІСТЬ | РІВЕНЬ | ТЕХНОЛОГІЯ | ДОСТАВКА МЕТОД |
НАВЧАННЯ КРЕДИТИ |
| 3 днів | Проміжний | Лазурний | Інструктор під керівництвом | NA |
ВСТУП
Отримайте необхідні знання про те, як використовувати служби Azure для розробки, навчання та розгортання рішень машинного навчання. Курс починається з оверуview служб Azure, які підтримують науку про дані. З цього моменту він зосереджується на використанні головної служби обробки даних Azure, служби машинного навчання Azure, для автоматизації конвеєра обробки даних. Цей курс зосереджений на Azure і не навчає студентів, як займатися наукою про дані. Передбачається, що студенти це вже знають.
АУДИТОРІЯ PROFILE
Цей курс призначений для спеціалістів із обробки даних і тих, хто має значну відповідальність за навчання та розгортання моделей машинного навчання.
ПРЕДМЕТНІСТЬ
Перед відвідуванням цього курсу студенти повинні мати:
- Основи Azure
- Розуміння науки про дані, включаючи те, як готувати дані, навчати моделі та оцінювати конкуруючі моделі, щоб вибрати найкращу.
- Як програмувати на мові програмування Python і використовувати бібліотеки Python: pandas, scikit-learn, matplotlib і seaborn.
ЦІЛІ КУРСУ
Після завершення цього курсу студенти зможуть:
- Зрозумійте науку про дані в Azure
- Використовуйте машинне навчання для автоматизації наскрізного процесу
- Керуйте службою машинного навчання та відстежуйте її
Модуль 1: Початок роботи з машинним навчанням Azure
У цьому модулі ви дізнаєтесь, як створити робочий простір машинного навчання Azure і використовувати його для керування ресурсами машинного навчання, такими як дані, обчислення, навчальний код моделі, зареєстровані показники та навчені моделі. Ви дізнаєтесь, як використовувати webінтерфейс студії машинного навчання Azure, а також SDK машинного навчання Azure та інструменти розробника, такі як Visual Studio Code та Jupyter Notebooks, для роботи з ресурсами у вашому робочому просторі.
Уроки
- Вступ до машинного навчання Azure
- Робота з машинним навчанням Azure
- Лабораторія: Створіть робочу область машинного навчання Azure
- Надання робочої області машинного навчання Azure
- Використовуйте інструменти та код для роботи з машинним навчанням Azure
Модуль 2: Візуальні інструменти для машинного навчання
Цей модуль представляє візуальні інструменти Automated Machine Learning і Designer, які можна використовувати для навчання, оцінки та розгортання моделей машинного навчання без написання коду.
Уроки
- Автоматизоване машинне навчання
- Дизайнер машинного навчання Azure
Лабораторія: Використовуйте автоматизоване машинне навчання
Лабораторія: Використовуйте конструктор машинного навчання Azure
Після завершення цього модуля ви зможете
- Використовуйте автоматизоване машинне навчання для навчання моделі машинного навчання
- Використовуйте конструктор машинного навчання Azure для навчання моделі
Модуль 3: Проведення експериментів і навчальні моделі
У цьому модулі ви почнете з експериментів, які інкапсулюють обробку даних, моделюють навчальний код і використовують їх для навчання моделей машинного навчання. Уроки
- Введення в експерименти
- Навчання та реєстрація моделей
Лабораторія: Моделі поїздів
Лабораторія: Проведіть експерименти
Після завершення цього модуля ви зможете
- Проводьте експерименти на основі коду в робочій області машинного навчання Azure
- Навчання та реєстрація моделей машинного навчання
Модуль 4: Робота з даними
є фундаментальним елементом у будь-якому робочому навантаженні машинного навчання, тому в цьому модулі ви дізнаєтесь, як створювати сховища та набори даних і керувати ними в робочому просторі машинного навчання Azure, а також як використовувати їх у експериментах з моделюванням навчання.
Уроки
- Робота з датасторами
- Робота з наборами даних
Лабораторія: Робота з даними
Після завершення цього модуля ви зможете
- Створення та використання сховищ даних
- Створюйте та використовуйте набори даних
Модуль 5: Робота з Compute
Однією з ключових переваг хмари є можливість використовувати обчислювальні ресурси на вимогу та використовувати їх для масштабування процесів машинного навчання до такої міри, яка була б неможливою на вашому власному обладнанні. У цьому модулі ви дізнаєтеся, як керувати експериментальними середовищами, які забезпечують узгодженість часу виконання експериментів, а також як створювати та використовувати цілі обчислень для виконання експериментів.
Уроки
- Робота з середовищами
- Робота з Compute Targets
Лабораторія: Робота з Compute
Після завершення цього модуля ви зможете
- Створюйте та використовуйте середовища
- Створюйте та використовуйте обчислювальні цілі
Модуль 6: Організація операцій з конвеєрами
Тепер, коли ви розумієте основи виконання робочих навантажень як експериментів, які використовують активи даних і обчислювальні ресурси, настав час навчитися оркеструвати ці робочі навантаження як конвеєри підключених кроків. Конвеєри є ключовими для реалізації ефективного рішення Operationalization Machine Learning (ML Ops) в Azure, тому ви дізнаєтесь, як їх визначити та запустити в цьому модулі.
Уроки
- Введення в трубопроводи
- Публікація та запуск конвеєрів
Лабораторія: Створіть конвеєр
Після завершення цього модуля ви зможете
- Створюйте конвеєри для автоматизації робочих процесів машинного навчання
- Публікація та запуск конвеєрних служб
Модуль 7: Розгортання та використання моделей
Моделі розроблені, щоб допомогти приймати рішення через передбачення, тому вони корисні лише тоді, коли їх розгортають і доступні для використання програмою. У цьому модулі дізнайтеся, як розгортати моделі для логічного висновку в реальному часі та для пакетного висновку.
Уроки
- Виведення в режимі реального часу
- Пакетний висновок
- Безперервна інтеграція та доставка
Лабораторія: Створіть службу висновків у реальному часі
Лабораторія: Створіть службу пакетного висновку
Після завершення цього модуля ви зможете
- Опублікуйте модель як службу висновків у реальному часі
- Опублікуйте модель як службу пакетного висновку
- Опишіть методи впровадження безперервної інтеграції та доставки
Модуль 8: Навчання оптимальним моделям
Цим сtagПід час курсу ви вивчили наскрізний процес навчання, розгортання та використання моделей машинного навчання; але як переконатися, що ваша модель дає найкращі прогнозні результати для ваших даних? У цьому модулі ви дізнаєтеся, як можна використовувати налаштування гіперпараметрів і автоматичне машинне навчання для підвищення ефективностіtage хмарних обчислень і знайдіть найкращу модель для ваших даних.
Уроки
- Гіперпараметрична настройка
- Автоматизоване машинне навчання
Лабораторія: Використовуйте автоматизоване машинне навчання з SDK
Лабораторія: Налаштування гіперпараметрів Після завершення цього модуля ви зможете
- Оптимізація гіперпараметрів для навчання моделі
- Використовуйте автоматизоване машинне навчання, щоб знайти оптимальну модель для своїх даних
Модуль 9: Відповідальне машинне навчання
Науковці даних зобов’язані забезпечити відповідальний аналіз даних і навчання моделей машинного навчання; дотримання конфіденційності особи, пом’якшення упередженості та забезпечення прозорості. У цьому модулі розглядаються деякі міркування та методи застосування принципів відповідального машинного навчання. Уроки
- Диференціальна конфіденційність
- Інтерпретованість моделі
- Справедливість
Лабораторія: Дослідіть Диференціальну провайдерність
Лабораторія: Інтерпретація моделей
Лабораторія: Виявлення та пом’якшення несправедливості Після завершення цього модуля ви зможете
- Застосуйте диференціальну захист до аналізу даних
- Використовуйте пояснювачі для інтерпретації моделей машинного навчання
- Оцініть моделі на справедливість
Модуль 10: Моделі моніторингу
Після розгортання моделі важливо зрозуміти, як модель використовується у виробництві, і виявити будь-яке зниження її ефективності через дрейф даних. Цей модуль описує методи моніторингу моделей та їхніх даних. Уроки
- Моніторинг моделей за допомогою Application Insights
- Моніторинг дрейфу даних
Лабораторія: Монітор дрейфу даних
Лабораторія: Відстежуйте модель за допомогою Application Insights
Після завершення цього модуля ви зможете
- Використовуйте Application Insights для моніторингу опублікованої моделі
- Відстежуйте дрейф даних
ПОВ’ЯЗАНІ СЕРТИФІКАЦІЇ ТА ІСПИТ
Цей курс підготує делегатів до складання іспиту Microsoft DP-100: проектування та впровадження рішення Data Science в Azure.
Документи / Ресурси
 |
MECER MS-DP100T01 Розробка та впровадження рішення Data Science на Azure [pdfПосібник користувача MS-DP100T01 Проектування та впровадження рішення Data Science на Azure, MS-DP100T01, Проектування та впровадження Data Science Solution на Azure |
