DP-100 - Designing and Implementing a Data Science Solution on Azure (CZ)

Základní info

Popis kurzu

Azure Data Scientist aplikuje své znalosti datové vědy a strojového učení na implementaci a provozování úloh strojového učení v Microsoft Azure; zejména pomocí služby Azure Machine Learning Service. To zahrnuje plánování a vytváření vhodného pracovního prostředí pro úlohy datové vědy v Azure, spouštění experimentů s daty a školení prediktivních modelů, správu a optimalizaci modelů a nasazení modelů strojového učení do výroby.

Cíle kurzu

Naučte se, jak provozovat řešení strojového učení v cloudovém měřítku pomocí Azure Machine Learning. Tento kurz vás naučí využít své stávající znalosti Pythonu a strojového učení ke správě příjmu a přípravy dat, tréninku a nasazení modelů a monitorování řešení strojového učení v Microsoft Azure

Určeno pro

Tento kurz je určen pro datové analytiky se stávajícími znalostmi rámců Pythonu a strojového učení, jako jsou Scikit-Learn, PyTorch a Tensorflow, kteří chtějí stavět a provozovat řešení strojového učení v cloudu.

Obsah kurzu

Modul 1: Začínáme s Azure Machine Learning
V tomto modulu se naučíte, jak zřídit pracovní prostor Azure Machine Learning a použít jej ke správě prostředků strojového učení, jako jsou data, výpočet, kód tréninkového modelu, protokolované metriky a trénované modely. Naučíte se, jak používat webové rozhraní studia Azure Machine Learning Studio, stejně jako sadu Azure Machine Learning SDK a vývojářské nástroje, jako je Visual Studio Code a Jupyter Notebooks, pro práci s prostředky ve vašem pracovním prostoru.
Lekce
  • Úvod do Azure Machine Learning
  • Práce s Azure Machine Learning
  • Lab: Vytvoření pracovního prostoru Azure Machine Learning
Modul 2: Machine Learning bez kódu
Tento modul představuje vizuální nástroje Automated Machine Learning a Designer, které můžete použít k trénování, vyhodnocení a nasazení modelů strojového učení bez psaní jakéhokoli kódu.
Lekce
  • Automatizované strojové učení
  • Azure Machine Learning Designer
  • Lab: Použití automatizovaného strojového učení
  • Lab: Použití Azure Machine Learning Designer
Modul 3: Spouštění experimentů a tréninkové modely
V tomto modulu začnete s experimenty, které zapouzdřují zpracování dat a tréninkový kód modelu, a použijete je k trénování modelů strojového učení.
Lekce
  • Úvod do experimentů
  • Školení a registrace modelů
  • Lab: Spouštění experimentů
  • Lab: Tréninkové modely
Modul 4: Práce s daty
Data jsou základním prvkem v jakékoli pracovní zátěži strojového učení, takže v tomto modulu se naučíte, jak vytvářet a spravovat datová úložiště a datové sady v pracovním prostředí Azure Machine Learning a jak je používat v modelových tréninkových experimentech.
Lekce
  • Práce s datovými úložišti
  • Práce s datovými sadami
  • Lab: Práce s daty
Modul 5: Práce s výpošty
Jednou z klíčových výhod cloudu je schopnost využívat výpočetní zdroje na vyžádání a používat je k škálování procesů strojového učení do rozsahu, který by na vašem vlastním hardwaru nebyl možný. V tomto modulu se naučíte, jak spravovat experimentální prostředí, která zajišťují konzistentní běhovou konzistenci experimentů, a jak vytvářet a používat výpočetní cíle pro experimenty.
Lekce
  • Práce v prostředí
  • Práce s výpočetními cíli
  • Lab: Práce s výpočty
Modul 6: Orchestrace operací s Pipeline
Nyní, když chápete základy spouštění úloh jako experimentů, které využívají datové prostředky a výpočetní prostředky, je čas se naučit, jak tyto úlohy vytěžit jako kanály propojených kroků. Pipelines jsou klíčem k implementaci efektivního řešení Machine Learning Operationalization (ML Ops) v Azure, takže prozkoumáte, jak je definovat a spustit v tomto modulu.
Lekce
  • Úvod do Pipeline
  • Publikování a provozování Pipeline
  • Lab: Tvorba Pipeline
Modul 7: Nasazení modelů
Modely jsou navrženy tak, aby usnadňovaly rozhodování prostřednictvím předpovědí, takže jsou užitečné pouze při nasazení a dostupné pro použití aplikací. V tomto modulu se naučíte, jak nasadit modely pro odvozování v reálném čase a pro dávkové odvozování.
Lekce
  • Vyvozování v reálném čase
  • Dávkové odvozování
  • Kontinuální integrace a doručování
  • Lab: Vytvoření služby odvozování v reálném čase
  • Lab: Vytvoření služby hromadného odvozování
Modul 8: Trénink optimálních modelů
V této fázi kurzu jste se naučili end-to-end proces školení, nasazení a náročné modely strojového učení; ale jak zajistíte, aby váš model vytvářel ty nejlepší prediktivní výstupy pro vaše data? V tomto modulu prozkoumáte, jak můžete pomocí ladění hyperparametru a automatizovaného strojového učení využít výhod cloudového měřítka a najít nejlepší model pro svá data.
Lekce
  • Vyladění hyperparametru
  • Automatizované strojové učení
  • Lab: Vyladění hyperparametrů
  • Lab: Využití Automated Machine Learning ze sady SDK
Modul 9: Zodpovědné strojové učení
Vědci v oboru dat mají povinnost zajistit, aby analyzovali data a zodpovědně trénovali modely strojového učení; respektování soukromí jednotlivců, zmírňování zaujatosti a zajištění transparentnosti. Tento modul zkoumá některé úvahy a techniky pro uplatňování principů zodpovědného strojového učení.
Lekce
  • Diferenciální soukromí
  • Interpretovatelnost modelu
  • Spravedlnost
  • Lab: Prozkoumejte rozdílové soukromí
  • Lab: Interpretace modelů
  • Lab: Zjištění a zmírnění nespravedlnosti
Modul 10: Monitorovací modely
Po nasazení modelu je důležité pochopit, jak se model používá ve výrobě, a detekovat jakékoli zhoršení jeho účinnosti v důsledku driftu dat. Tento modul popisuje techniky pro monitorování modelů a jejich dat.
Lekce
  • Monitorování modelů pomocí Application Insights
  • Monitorování driftu dat
  • Lab: Monitorování modelu pomocí Application Insights
  • Lab: Monitorování driftu dat

Studijní materiály

Materiály jsou v elektronické podobě.

DP-100 - Designing and Implementing a Data Science Solution on Azure (CZ)

Vybraný termín:

29.7.2024 –  31.7.2024  ONLINE

Cena
26 400 Kč + 21% DPH

Termíny kurzu

Kontaktovat dodavatele


Kontrola proti spamu. Kolik je deset a deset ? Součet zapište číslicemi.