Разработка и внедрение решения Data Science в Azure

Профиль аудитории:

Этот курс предназначен для специалистов по данным и тех, кто несет значительную ответственность за обучение и развертывание моделей машинного обучения.

Курс рекомендуется для подготовки к сертификационному экзамену DP-100: Designing and Implementing a Data Science Solution on Azure сертификации Microsoft - Microsoft Certified: Azure Data Scientist Associate.

Предварительные требования:

Для успешного прохождения курса слушатели должны обладать:

• Azure Fundamentals certification.
• Пониманием data science, в том числе знание процесса подготовки данных, обучения моделей и оценки конкурирующих моделей для того, чтобы выбрать лучшую.
• Умением программировать на языке программирования Python и использовать библиотеки Python: pandas, scikit-learn, matplotlib и seaborn.

По окончании курса слушатели смогут:

• создавать рабочее пространство Azure Machine Learning и управлять средами вычислений, данных и кодирования для рабочих нагрузок машинного обучения;
• использовать Azure Machine Learning Designer для обучения и развертывания моделей машинного обучения без кода;
• создавать и проводить эксперименты по регистрации метрик и обучению моделей машинного обучения;
• создавать и управлять хранилищами данных и наборами данных, а также их использовать в экспериментах машинного обучения;
• создавать вычислительные ресурсы и управлять ими, а также использовать их для проведения экспериментов машинного обучения в условиях масштаба в облаке;
• находить оптимальную модель для данных с помощью настройки гиперпараметров и автоматического машинного обучения;
• выполнять мониторинг использования и смещения данных для развернутых моделей.

Модуль 1. Введение в Azure Machine Learning.  

• Начало работы с Azure Machine Learning
• Инструменты Azure Machine Learning
• Лабораторные работы «Введение в Azure Machine Learning»

Модуль 2. Машинное обучение без кода с использованием дизайнера.

• Тренировочные модели с использованием дизайнера
• Публикационные модели с использованием дизайнера
• Лабораторные работы «Машинное обучение без кода с использованием дизайнера»

Модуль 3. Использование экспериментов и тренировочных моделей.

• Введение в эксперименты
• Тренировочные и регистрационные модели
• Лабораторные работы «Использование экспериментов и тренировочных моделей»

Модуль 4. Работа с данными.       

• Работа с хранилищами данных
• Работа с наборами данных
• Лабораторные работы «Работа с данными»

Модуль 5. Вычисление контекстов.

• Работа со средой
• Работа с вычислительными целями
• Лабораторные работы «Вычисление контекстов»

Модуль 6. Оркестровочные операции с использованием конвейеров.

• Введение в конвейеры
• Публикация и эксплуатация конвейеров
• Лабораторные работы «Оркестровочные операции с использованием конвейеров»

Модуль 7. Развертывание и использование моделей.  

• Логический вывод в реальном времени
• Пакетный логический вывод
• Лабораторные работы «Развертывание и использование моделей»

Модуль 8. Тренировочные оптимальные модели.

• Настройка гиперпараметра
• Автоматизированное машинное обучение
• Лабораторные работы «Тренировочные оптимальные модели»

Модуль 9. Интерпретация моделей.

• Введение в интерпретацию модели
• Использование пояснителей модели
• Лабораторные работы «Интерпретация моделей»

Модуль 10. Мониторинг моделей.

• Мониторинг моделей с использованием приложений
• Мониторинг смещения данных
• Лабораторные работы «Мониторинг моделей»