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

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

Zobrazit vše