MECER MS-DP100T01 Thiết kế và Triển khai Giải pháp Khoa học Dữ liệu Trên Azure
| KHOẢNG THỜI GIAN | MỨC ĐỘ | CÔNG NGHỆ | VẬN CHUYỂN PHƯƠNG PHÁP |
ĐÀO TẠO TÍN DỤNG |
| 3 Ngày | Trung cấp | Màu xanh da trời | do giáo viên hướng dẫn | NA |
GIỚI THIỆU
Có được kiến thức cần thiết về cách sử dụng các dịch vụ Azure để phát triển, đào tạo và triển khai các giải pháp máy học. Khóa học bắt đầu với hơn mộtview của các dịch vụ Azure hỗ trợ khoa học dữ liệu. Từ đó, nó tập trung vào việc sử dụng dịch vụ khoa học dữ liệu hàng đầu của Azure, dịch vụ Azure Machine Learning, để tự động hóa quy trình khoa học dữ liệu. Khóa học này tập trung vào Azure và không dạy học viên cách làm khoa học dữ liệu. Người ta cho rằng học sinh đã biết điều đó.
ĐỐI TƯỢNG CHUYÊN NGHIỆPFILE
Khóa học này dành cho các nhà khoa học dữ liệu và những người có trách nhiệm quan trọng trong việc đào tạo và triển khai các mô hình máy học.
QUYỀN SỞ H PRU
Trước khi tham dự khóa học này, sinh viên phải có:
- Cơ bản về Azure
- Hiểu biết về khoa học dữ liệu bao gồm cách chuẩn bị dữ liệu, đào tạo mô hình và đánh giá các mô hình cạnh tranh để chọn mô hình tốt nhất.
- Cách lập trình bằng ngôn ngữ lập trình Python và sử dụng các thư viện Python: pandas, scikit-learning, matplotlib và seaborn.
MỤC TIÊU KHÓA HỌC
Sau khi hoàn thành khóa học này, sinh viên sẽ có thể:
- Hiểu khoa học dữ liệu trong Azure
- Sử dụng Machine Learning để tự động hóa quy trình từ đầu đến cuối
- Quản lý và giám sát dịch vụ Machine Learning
Mô-đun 1: Bắt đầu với Azure Machine Learning
Trong mô-đun này, bạn sẽ tìm hiểu cách cung cấp không gian làm việc Azure Machine Learning và sử dụng không gian làm việc đó để quản lý các tài sản machine learning như dữ liệu, điện toán, mã đào tạo mô hình, chỉ số đã ghi và các mô hình được đào tạo. Bạn sẽ học cách sử dụng webgiao diện studio Azure Machine Learning dựa trên cũng như Azure Machine Learning SDK và các công cụ dành cho nhà phát triển như Visual Studio Code và Jupyter Notebooks để hoạt động với các nội dung trong không gian làm việc của bạn.
Bài học
- Giới thiệu về Học máy Azure
- Làm việc với Azure Machine Learning
- Phòng thí nghiệm: Tạo một không gian làm việc Azure Machine Learning
- Cung cấp không gian làm việc Azure Machine Learning
- Sử dụng các công cụ và mã để làm việc với Azure Machine Learning
Mô-đun 2: Công cụ trực quan cho Machine Learning
Mô-đun này giới thiệu các công cụ trực quan của Trình thiết kế và Học máy tự động mà bạn có thể sử dụng để đào tạo, đánh giá và triển khai các mô hình học máy mà không cần viết bất kỳ mã nào.
Bài học
- Học máy tự động
- Nhà thiết kế máy học Azure
Phòng thí nghiệm: Sử dụng máy học tự động
Phòng thí nghiệm: Sử dụng Azure Machine Learning Designer
Sau khi hoàn thành mô-đun này, bạn sẽ có thể
- Sử dụng máy học tự động để huấn luyện mô hình máy học
- Sử dụng trình thiết kế Azure Machine Learning để đào tạo một mô hình
Mô-đun 3: Chạy thử nghiệm và mô hình huấn luyện
Trong mô-đun này, bạn sẽ bắt đầu với các thử nghiệm đóng gói quá trình xử lý dữ liệu, mã đào tạo mô hình và sử dụng chúng để đào tạo các mô hình máy học. Những bài học
- Giới thiệu về thí nghiệm
- Đào tạo và đăng ký người mẫu
Phòng thí nghiệm: Mô hình xe lửa
Phòng thí nghiệm: Chạy thử nghiệm
Sau khi hoàn thành mô-đun này, bạn sẽ có thể
- Chạy thử nghiệm dựa trên mã trong không gian làm việc Azure Machine Learning
- Đào tạo và đăng ký các mô hình học máy
Mô-đun 4: Làm việc với dữ liệu Dữ liệu
là một yếu tố cơ bản trong bất kỳ khối lượng công việc học máy nào, vì vậy, trong mô-đun này, bạn sẽ tìm hiểu cách tạo và quản lý kho dữ liệu cũng như bộ dữ liệu trong không gian làm việc Azure Machine Learning cũng như cách sử dụng chúng trong các thử nghiệm đào tạo mô hình.
Bài học
- Làm việc với kho dữ liệu
- Làm việc với Datasets
Phòng thí nghiệm: Làm việc với dữ liệu
Sau khi hoàn thành mô-đun này, bạn sẽ có thể
- Tạo và sử dụng kho dữ liệu
- Tạo và sử dụng bộ dữ liệu
Mô-đun 5: Làm việc với Điện toán
Một trong những lợi ích chính của đám mây là khả năng tận dụng tài nguyên điện toán theo yêu cầu và sử dụng chúng để mở rộng quy trình máy học đến mức không thể thực hiện được trên phần cứng của riêng bạn. Trong mô-đun này, bạn sẽ tìm hiểu cách quản lý môi trường thử nghiệm để đảm bảo tính nhất quán nhất quán trong thời gian chạy cho thử nghiệm cũng như cách tạo và sử dụng các mục tiêu điện toán cho các lần chạy thử nghiệm.
Bài học
- Làm việc với môi trường
- Làm việc với mục tiêu điện toán
Phòng thí nghiệm: Làm việc với Điện toán
Sau khi hoàn thành mô-đun này, bạn sẽ có thể
- Tạo và sử dụng môi trường
- Tạo và sử dụng các mục tiêu điện toán
Mô-đun 6: Phối hợp hoạt động với đường ống
Giờ đây, bạn đã hiểu kiến thức cơ bản về chạy khối lượng công việc dưới dạng thử nghiệm tận dụng nội dung dữ liệu và tài nguyên điện toán, đã đến lúc tìm hiểu cách sắp xếp các khối lượng công việc này dưới dạng quy trình gồm các bước được kết nối. Đường ống là chìa khóa để triển khai giải pháp Vận hành Máy học (ML Ops) hiệu quả trong Azure, vì vậy, bạn sẽ khám phá cách xác định và chạy chúng trong mô-đun này.
Bài học
- Giới thiệu về đường ống
- Xuất bản và chạy đường ống
Phòng thí nghiệm: Tạo một đường ống
Sau khi hoàn thành mô-đun này, bạn sẽ có thể
- Tạo quy trình để tự động hóa quy trình học máy
- Xuất bản và chạy các dịch vụ đường ống
Mô-đun 7: Triển khai và sử dụng các mô hình
Các mô hình được thiết kế để giúp đưa ra quyết định thông qua các dự đoán, vì vậy chúng chỉ hữu ích khi được triển khai và có sẵn cho ứng dụng sử dụng. Trong mô-đun này, hãy tìm hiểu cách triển khai các mô hình cho suy luận thời gian thực và suy luận hàng loạt.
Bài học
- Suy luận thời gian thực
- Suy luận hàng loạt
- Tích hợp và phân phối liên tục
Phòng thí nghiệm: Tạo một dịch vụ suy luận thời gian thực
Phòng thí nghiệm: Tạo một dịch vụ suy luận hàng loạt
Sau khi hoàn thành mô-đun này, bạn sẽ có thể
- Xuất bản mô hình dưới dạng dịch vụ suy luận thời gian thực
- Xuất bản mô hình dưới dạng dịch vụ suy luận hàng loạt
- Mô tả các kỹ thuật để thực hiện tích hợp và phân phối liên tục
Mô-đun 8: Huấn luyện các mô hình tối ưu
Bằng cách nàytagTrong khóa học, bạn đã học được quy trình từ đầu đến cuối để đào tạo, triển khai và sử dụng các mô hình máy học; nhưng làm thế nào để bạn đảm bảo mô hình của mình tạo ra kết quả đầu ra dự đoán tốt nhất cho dữ liệu của bạn? Trong mô-đun này, bạn sẽ khám phá cách bạn có thể sử dụng điều chỉnh siêu tham số và học máy tự động để thực hiện các bước tiếntagđiện toán quy mô đám mây và tìm mô hình tốt nhất cho dữ liệu của bạn.
Bài học
- Điều chỉnh siêu tham số
- Học máy tự động
Phòng thí nghiệm: Sử dụng Máy học tự động từ SDK
Phòng thí nghiệm: Điều chỉnh siêu tham số Sau khi hoàn thành mô-đun này, bạn sẽ có thể
- Tối ưu hóa siêu tham số cho đào tạo mô hình
- Sử dụng máy học tự động để tìm mô hình tối ưu cho dữ liệu của bạn
Mô-đun 9: Học máy có trách nhiệm
Các nhà khoa học dữ liệu có nhiệm vụ đảm bảo họ phân tích dữ liệu và đào tạo các mô hình học máy một cách có trách nhiệm; tôn trọng quyền riêng tư cá nhân, giảm thiểu sự thiên vị và đảm bảo tính minh bạch. Mô-đun này khám phá một số cân nhắc và kỹ thuật để áp dụng các nguyên tắc máy học có trách nhiệm. Những bài học
- Quyền riêng tư khác biệt
- Khả năng giải thích mô hình
- Công bằng
Phòng thí nghiệm: Khám phá sự khác biệt
Phòng thí nghiệm: Giải thích các mô hình
Phòng thí nghiệm: Phát hiện và giảm thiểu sự không công bằng Sau khi hoàn thành mô-đun này, bạn sẽ có thể
- Áp dụng chứng minh khác biệt để phân tích dữ liệu
- Sử dụng trình giải thích để giải thích các mô hình học máy
- Đánh giá các mô hình cho công bằng
Mô-đun 10: Mô hình giám sát
Sau khi một mô hình đã được triển khai, điều quan trọng là phải hiểu mô hình đó đang được sử dụng như thế nào trong sản xuất và phát hiện bất kỳ sự suy giảm nào về hiệu quả của mô hình do dữ liệu trôi dạt. Mô-đun này mô tả các kỹ thuật giám sát các mô hình và dữ liệu của chúng. Những bài học
- Giám sát các mô hình với thông tin chi tiết về ứng dụng
- Theo dõi dữ liệu trôi dạt
Phòng thí nghiệm: Theo dõi độ trôi dữ liệu
Phòng thí nghiệm: Theo dõi một mô hình với thông tin chi tiết về ứng dụng
Sau khi hoàn thành mô-đun này, bạn sẽ có thể
- Sử dụng Thông tin chi tiết về ứng dụng để theo dõi mô hình đã xuất bản
- Theo dõi dữ liệu trôi dạt
CHỨNG CHỈ LIÊN KẾT & KỲ THI
Khóa học này sẽ chuẩn bị cho các đại biểu viết bài kiểm tra Microsoft DP-100: Thiết kế và Triển khai Giải pháp Khoa học Dữ liệu trên Azure.
Tài liệu / Tài nguyên
 |
MECER MS-DP100T01 Thiết kế và Triển khai Giải pháp Khoa học Dữ liệu Trên Azure [tập tin pdf] Hướng dẫn sử dụng MS-DP100T01 Thiết kế và Triển khai Giải pháp Khoa học Dữ liệu Trên Azure, MS-DP100T01, Thiết kế và Triển khai Giải pháp Khoa học Dữ liệu Trên Azure |
