MECER MS-DP100T01 在 Azure 上设计和实施数据科学解决方案
| 期间 | 等级 | 技术 | 送货 方法 |
训练 致谢 |
| 3 天 | 中间的 | Azure | 讲师指导 | NA |
介绍
获得有关如何使用 Azure 服务开发、培训和部署机器学习解决方案的必要知识。 课程以结束开始view 支持数据科学的 Azure 服务。 从那里开始，它专注于使用 Azure 的主要数据科学服务 Azure 机器学习服务来自动化数据科学管道。 本课程侧重于 Azure，不教学生如何进行数据科学。 假设学生已经知道了。
专业观众FILE
本课程面向数据科学家以及在训练和部署机器学习模型方面负有重大责任的人员。
必备条件
在参加本课程之前，学生必须具备：
- Azure 基础知识
- 了解数据科学，包括如何准备数据、训练模型和评估竞争模型以选择最佳模型。
- 如何使用 Python 编程语言进行编程并使用 Python 库：pandas、scikit-learn、matplotlib 和 seaborn。
课程目标
完成本课程后，学生将能够：
- 了解 Azure 中的数据科学
- 使用机器学习来自动化端到端流程
- 管理和监控机器学习服务
模块 1：Azure 机器学习入门
在本模块中，您将学习如何预配 Azure 机器学习工作区并使用它来管理机器学习资产，例如数据、计算、模型训练代码、记录的指标和经过训练的模型。 您将学习如何使用 web- 基于 Azure 机器学习工作室界面以及 Azure 机器学习 SDK 和开发人员工具（如 Visual Studio Code 和 Jupyter Notebooks）来处理工作区中的资产。
课程
- Azure 机器学习简介
- 使用 Azure 机器学习
- 实验室： 创建 Azure 机器学习工作区
- 预配 Azure 机器学习工作区
- 使用工具和代码来处理 Azure 机器学习
第 2 单元：机器学习的可视化工具
本模块介绍了自动机器学习和设计器可视化工具，您可以使用它们来训练、评估和部署机器学习模型，而无需编写任何代码。
课程
- 自动化机器学习
- Azure 机器学习设计器
实验室： 使用自动化机器学习
实验室： 使用 Azure 机器学习设计器
完成本模块后，您将能够
- 使用自动化机器学习来训练机器学习模型
- 使用 Azure 机器学习设计器训练模型
模块 3：运行实验和训练模型
在本模块中，您将从封装数据处理、模型训练代码的实验开始，并使用它们来训练机器学习模型。 教训
- 实验介绍
- 训练和注册模型
实验室： 火车模型
实验室： 运行实验
完成本模块后，您将能够
- 在 Azure 机器学习工作区中运行基于代码的实验
- 训练和注册机器学习模型
模块 4：使用数据数据
是任何机器学习工作负载中的基本元素，因此在本模块中，您将学习如何在 Azure 机器学习工作区中创建和管理数据存储和数据集，以及如何在模型训练实验中使用它们。
课程
- 使用数据存储
- 使用数据集
实验室： 处理数据
完成本模块后，您将能够
- 创建和使用数据存储
- 创建和使用数据集
第 5 单元：使用计算
云的主要优势之一是能够按需利用计算资源，并使用它们将机器学习过程扩展到您自己的硬件无法实现的程度。 在本模块中，您将学习如何管理确保实验运行时一致性的实验环境，以及如何为实验运行创建和使用计算目标。
课程
- 使用环境
- 使用计算目标
实验室： 使用计算
完成本模块后，您将能够
- 创建和使用环境
- 创建和使用计算目标
模块 6：使用管道编排操作
现在您已经了解了将工作负载作为利用数据资产和计算资源的实验运行的基础知识，现在是学习如何将这些工作负载编排为连接步骤的管道的时候了。 管道是在 Azure 中实施有效的机器学习操作化 (ML Ops) 解决方案的关键，因此您将探索如何在本模块中定义和运行它们。
课程
- 管道简介
- 发布和运行管道
实验室： 创建管道
完成本模块后，您将能够
- 创建管道以自动化机器学习工作流程
- 发布和运行管道服务
模块 7：部署和使用模型
模型旨在通过预测帮助决策制定，因此它们仅在部署时有用并且可供应用程序使用。 在本模块中，学习如何为实时推理和批量推理部署模型。
课程
- 实时推理
- 批量推理
- 持续集成和交付
实验室： 创建实时推理服务
实验室： 创建批量推理服务
完成本模块后，您将能够
- 将模型发布为实时推理服务
- 将模型发布为批量推理服务
- 描述实施持续集成和交付的技术
模块 8：训练最优模型
通过这个tag在本课程中，您学习了训练、部署和使用机器学习模型的端到端过程； 但是您如何确保您的模型为您的数据产生最佳预测输出？ 在本模块中，您将探索如何使用超参数调整和自动化机器学习来取得优势tage 的云规模计算，并为您的数据找到最佳模型。
课程
- 超参数调整
- 自动化机器学习
实验室： 从 SDK 使用自动机器学习
实验室： 调整超参数完成本模块后，您将能够
- 优化模型训练的超参数
- 使用自动机器学习为您的数据找到最佳模型
第 9 单元：负责任的机器学习
数据科学家有责任确保他们负责任地分析数据和训练机器学习模型； 尊重个人隐私、减少偏见并确保透明度。 本模块探讨了应用负责任的机器学习原则的一些注意事项和技术。 教训
- 差分隐私
- 模型可解释性
- 公平
实验室： 探索差分隐私
实验室： 解释模型
实验室： 检测并减轻不公平性完成本模块后，您将能够
- 将差分证明应用于数据分析
- 使用解释器解释机器学习模型
- 评估模型的公平性
模块 10：监控模型
部署模型后，重要的是要了解模型在生产中的使用方式，并检测由于数据漂移而导致的任何有效性下降。 该模块描述了监控模型及其数据的技术。 教训
- 使用 Application Insights 监控模型
- 监测数据漂移
实验室： 监控数据漂移
实验室： 使用 Application Insights 监控模型
完成本模块后，您将能够
- 使用 Application Insights 监视已发布的模型
- 监控数据漂移
相关认证和考试
本课程将使代表们准备好编写 Microsoft DP-100：在 Azure 考试中设计和实施数据科学解决方案。
文件/资源
 |
MECER MS-DP100T01 在 Azure 上设计和实施数据科学解决方案 [pdf] 用户指南 MS-DP100T01 在 Azure 上设计和实施数据科学解决方案，MS-DP100T01，在 Azure 上设计和实施数据科学解决方案 |
