Kursinformation
Längd: 3 dagar
Pris: 26 000 SEK exkl. moms
Introduktion till DP-100: Designing and Implementing a Data Science Solution on Azure
Denna kurs ger en omfattande vägledning för att hantera och implementera maskininlärningslösningar i Microsoft Azure. Genom att bygga vidare på dina befintliga kunskaper i Python och maskininlärning kommer du att lära dig hur man hanterar data, tränar modeller och övervakar lösningar på ett effektivt sätt i molnmiljöer. Denna kurs är perfekt för dem som vill maximera sina färdigheter i en växande digital ekonomi.
Målgrupp
Denna kurs är riktad till datavetare som har erfarenhet av Python och maskininlärningsramverk såsom Scikit-Learn, PyTorch och TensorFlow. Du bör ha en grundläggande förståelse för datahantering och vara intresserad av att bygga robusta maskininlärningslösningar i molnet.
Kursinnehåll
Modul 1: Introduktion till Azure Machine Learning
I denna modul kommer du att lära dig hur man skapar en Azure Machine Learning-arbetsyta och använder den för att hantera maskininlärningsresurser såsom data, beräkning och modeller. Vägen till att förstå webbgränssnittet för Azure Machine Learning Studio och andra verktyg är avgörande.
Lektioner:
• Komma igång med Azure Machine Learning
• Verktyg för Azure Machine Learning
Laboratorieövningar:
• Skapa en Azure Machine Learning-arbetsyta
• Arbeta med Azure Machine Learning-verktyg
Modul 2: No-Code Maskininlärning med Designer
Denna modul introducerar verktyget Designer, vilket låter användarna skapa maskininlärningsmodeller med en dra och släpp-gränssnitt. Du kommer att skapa träningspipeline och konvertera dem till inferenspipelines som kan användas för att förutsäga nya värden.
Lektioner:
• Träning av modeller med Designer
• Publicering av modeller med Designer
Laboratorieövningar:
• Skapa en träningspipeline med Azure ML Designer
• Distribuera en tjänst med Azure ML Designer
Modul 3: Genomförande av experiment och träning av modeller
Denna modul handlar om att starta experiment som kapslar in databehandling och kod för modellträning. Du kommer att lära dig att köra experiment i en Azure Machine Learning-arbetsyta.
Lektioner:
• Introduktion till experiment
• Träning och registrering av modeller
Laboratorieövningar:
• Genomföra experiment
• Träna och registrera modeller
Modul 4: Arbeta med Data
Data är en grundläggande komponent för varje maskininlärningsarbete. I denna modul kommer du att förstå hur man skapar och hanterar datalager och datasets i Azure Machine Learning-arbetsytan.
Lektioner:
• Arbeta med datalager
• Arbeta med datasets
Laboratorieövningar:
• Arbeta med datalager
• Arbeta med datasets
Modul 5: Beräkningskontexter
Denna modul fokuserar på hur man utnyttjar molnets beräkningsresurser för att skala maskininlärningsprocesser. Lär dig att hantera experimentmiljöer och skapa beräkningsmål för experiment.
Lektioner:
• Arbeta med miljöer
• Arbeta med beräkningsmål
Laboratorieövningar:
• Arbeta med miljöer
• Arbeta med beräkningsmål
Modul 6: Orkestrering av operationer med Pipelines
Nu när du har förstått grundprinciperna för att köra arbetslaster som experiment, lär dig hur du orkestrerar dessa arbetslaster som anslutna pipelines. Pipelines är centrala för att implementera en effektiv ML Ops-lösning i Azure.
Lektioner:
• Introduktion till pipelines
• Publicering och körning av pipelines
Laboratorieövningar:
• Skapa en pipeline
• Publicera en pipeline
Modul 7: Distribuera och konsumera modeller
Modeller är utformade för att hjälpa beslutsfattande genom förutsägelser, och det är avgörande att de är tillgängliga för applikationer. Här lär du dig hur man distribuerar modeller för realtids- och batchinferens.
Lektioner:
• Realtidsinferens
• Batchinferens
Laboratorieövningar:
• Skapa en tjänst för realtidsinferens
• Skapa en batchinferenstjänst
Modul 8: Träna optimala modeller
I den här modulen lär du dig hur man optimerar hyperparametrar och använder automatiserad maskininlärning för att maximera modellens prestanda.
Lektioner:
• Hyperparameterstuning
• Automatiserad maskininlärning
Laboratorieövningar:
• Justera hyperparametrar
• Använda automatiserad maskininlärning
Modul 9: Tolkning av modeller
Förståelse för hur modeller gör sina förutsägelser är avgörande. Den här modulen fokuserar på hur man tolkar modeller och avslöjar eventuella bias i deras beteende.
Lektioner:
• Introduktion till modellinterpretation
• Användning av modellen för förklaringar
Laboratorieövningar:
• Granska automatiserade maskininlärningsförklaringar
• Tolkning av modeller
Modul 10: Övervakning av modeller
Efter att en modell har distribuerats är det viktigt att övervaka dess prestanda och upptäckta avvikelser. Denna modul handlar om hur man använder Application Insights för modellen övervakning.
Lektioner:
• Övervakning av modeller med Application Insights
• Övervakning av datadrift
Laboratorieövningar:
• Övervakning av en modell med Application Insights
• Övervakning av datadrift
Fördelar med DP-100-kursen
Kursen DP-100: Designing and Implementing a Data Science Solution on Azure erbjuder en djupgående förståelse för att skapa och implementera maskininlärningslösningar i Azure. Genom att kombinera teoretiska och praktiska inslag försöker kursen ge deltagarna de verktyg de behöver för att effektivt kunna arbeta med maskininlärningsprojekt i verkliga situationer. Kursen är idealisk för datavetare och IT-specialister som vill förbättra sin kompetens och karriärmöjligheter inom detta snabbt växande område.
Rekommendationer och Framtidsutsikter
För alla som överväger att ta kursen DP-100 rekommenderas att först skaffa en bra grundläggande förståelse för Python-programmering och maskininlärning. Dessutom är tidig exponering för Azure-plattformen fördelaktig, eftersom denna kurs bygger på dessa grunder. Med den snabba utvecklingen inom AI och maskininlärning är det en utmärkt tidpunkt att påbörja en karriär i denna sektor.