Prezenční Online Praha

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

Pumpedu

Poskytovatel kurzu

32 hodin

Středně pokročilý

Čeština

IT & Programování

Externí kurz

29 900 Kč

Přejít na web poskytovatele

Budete přesměrováni na web Pumpedu

Přihlaste se pro uložení

Délka

32 hodin

Formát

Prezenční / Online

Úroveň

Středně pokročilý

Ověřeno

Bezpečné

Hodnoceno

29 900 Kč

Pumpedu

Přejděte na web

Přehled kurzu

Délka

32 hodin

Úroveň

Středně pokročilý

Formát

Prezenční / Online

Místo

Praha

Jazyk

Čeština

Cena

od 29 900 Kč

O 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.

Co se naučíte

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 vpomocí Azure Machine Learning a MLflow.

Osnova kurzu

Modul 1: Začínáme s Azure Machine Learning

Úvod do Azure Machine Learning
Práce s Azure Machine Learning
Lab: Vytvoření pracovního prostoru Azure Machine Learning

Modul 2: Machine Learning bez kódu

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

Úvod do experimentů
Školení a registrace modelů
Lab: Spouštění experimentů
Lab: Tréninkové modely

Modul 4: Práce s daty

Práce s datovými úložišti
Práce s datovými sadami
Lab: Práce s daty

Modul 5: Práce s výpošty

Práce v prostředí
Práce s výpočetními cíli
Lab: Práce s výpočty

Modul 6: Orchestrace operací s Pipeline

Úvod do Pipeline
Publikování a provozování Pipeline
Lab: Tvorba Pipeline

Modul 7: Nasazení modelů

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

Vyladění hyperparametru
Automatizované strojové učení
Lab: Vyladění hyperparametrů
Lab: Využití Automated Machine Learning ze sady SDK

Modul 9: Zodpovědné strojové učení

Diferenciální soukromí
Interpretovatelnost modelu
Spravedlnost
Lab: Prozkoumejte rozdílové soukromí
Lab: Interpretace modelů
Lab: Zjištění a zmírnění nespravedlnosti

Modul 10: Monitorovací modely

Monitorování modelů pomocí Application Insights
Monitorování driftu dat
Lab: Monitorování modelu pomocí Application Insights
Lab: Monitorování driftu dat

Pro koho je kurz vhodný?

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.

Nejbližší termíny