DP-100: Designing and Implementing a Data Science Solution on Azure
Tämä kurssi opettaa kuinka ajaa koneoppimisratkaisuja Azure pilvessä Azure Machine Learning palvelulla. Kurssilla käydään läpi kuinka tiedot valmistellaan koneoppimisen mallille, kuinka malli koulutetaan ja julkaistaan käytettäväksi sekä kuinka mallin käyttöä monitoroidaan.
Tämän kurssin jälkeen sinulla on hyvä käsitys koneoppimisen tekemisestä ja mahdollisuuksista Azuren pilvessä.
Toteutus: Luokka, Online
Kesto: 3 päivää
Aloituspäivämäärät: 26.9.2022
,
09:00–16:00
21.11.2022
09:00–16:00
Materiaali: Microsoftin englanninkielinen materiaali (MOC)
KenelleKurssi on tarkoitettu Data Scientisteille, jotka jo osaavat Pythonia ja ovat käyttäneet koneoppimisen kirjastoja.
EsitietovaatimuksetKurssilla tulee tuntea Azuren perusteet ja omata kokemuksesta ohjelmoinnista. Kurssilla käytetään Python kieltä sekä Numpy, Pandas ja Matplotlib kirjastoja. Ymmärrystä Data Sciencen perusteista, eli kuinka tiedot valmistellaan ja varastoidaan sekä kuinka mallit koulutetaan hyödyntäen yleisiä kirjastoja kuten Scikit-Learn, PyTorch ja Tensorflowta.
Tämä kurssi valmistaa DP-100: Designing and Implementing a Data Science Solution on Azure testiin. Suoritettuasi testin saat Microsoft Certified: Azure Data Scientist Associate –sertifikaatin.
Kurssin sisältöModule 1: Introduction to Azure Machine LearningIn
- Getting Started with Azure Machine Learning
- Azure Machine Learning Tools
Module 2: No-Code Machine Learning with Designer
- Training Models with Designer
- Publishing Models with Designer
Module 3: Running Experiments and Training ModelsIn
- Introduction to Experiments
- Training and Registering Models
Module 4: Working with Data
- Working with Datastores
- Working with Datasets
Module 5: Compute Contexts
- Working with Environments
- Working with Compute Targe
Module 6: Orchestrating Operations with Pipelines
- Introduction to Pipelines
- Publishing and Running Pipelines
Module 7: Deploying and Consuming Models
- Real-time Inferencing
- Batch Inferencing
Module 8: Training Optimal ModelsBy
- Hyperparameter Tuning
- Automated Machine Learning
Module 9: Interpreting ModelsMany
- Introduction to Model Interpretation
- using Model Explainers
Module 10: Monitoring Models
- Monitoring Models with Application Insights
- Monitoring Data Drift