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

Kód kurzu: DP100P

Naučte se 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, modelování a nasazení a monitorování řešení strojového učení v Microsoft Azure.

26 400 Kč

31 944 Kč s DPH

Nejbližší termín od 02.04.2024

Výběr termínů

Odborní
certifikovaní lektoři

Mezinárodně
uznávané certifikace

Široká nabídka technických
a soft skills kurzů

Skvělý zákaznický
servis

Přizpůsobení kurzů
přesně na míru

Termíny kurzu

Počáteční datum: 02.04.2024

Místo konání: Praha

Forma: Prezenční

Délka kurzu: 4 dny

Jazyk: cz/sk

Cena bez DPH: 29 520 Kč

Registrovat

Počáteční datum: 21.05.2024

Forma: Virtuální

Délka kurzu: 4 dny

Jazyk: en

Cena bez DPH: 26 400 Kč

Registrovat

Počáteční datum: 15.07.2024

Forma: Virtuální

Délka kurzu: 4 dny

Jazyk: en

Cena bez DPH: 26 400 Kč

Registrovat

Počáteční datum: 09.09.2024

Forma: Virtuální

Délka kurzu: 4 dny

Jazyk: en

Cena bez DPH: 26 400 Kč

Registrovat

Počáteční datum: 04.11.2024

Forma: Virtuální

Délka kurzu: 4 dny

Jazyk: en

Cena bez DPH: 26 400 Kč

Registrovat

Počáteční datum: Na vyžádání

Forma: Prezenční/Virtuální

Délka kurzu: 4 dny

Jazyk: en/cz

Cena bez DPH: 29 520 Kč

Registrovat

Počáteční
datum
Místo
konání
Forma Délka
kurzu
Jazyk Cena bez DPH
02.04.2024 Praha Prezenční 4 dny cz/sk 29 520 Kč Registrovat
21.05.2024 Virtuální 4 dny en 26 400 Kč Registrovat
15.07.2024 Virtuální 4 dny en 26 400 Kč Registrovat
09.09.2024 Virtuální 4 dny en 26 400 Kč Registrovat
04.11.2024 Virtuální 4 dny en 26 400 Kč Registrovat
Na vyžádání Prezenční/Virtuální 4 dny en/cz 29 520 Kč Registrovat
G Garantovaný kurz

Nenašli jste vhodný termín?

Napište nám o vypsání alternativního termínu na míru.

Kontakt

Cílová skupina

Tento kurz je určen pro datové vědce se stávajícími znalostmi Pythonu a rámců strojového učení, jako jsou Scikit-Learn, PyTorch a Tensorflow, kteří chtějí vytvářet a provozovat řešení strojového učení v cloudu.

Struktura kurzu

Modul 1: Začínáme s Azure Machine Learning

V tomto modulu se dozvíte, jak zřídit pracovní prostor Azure Machine Learning a používat jej ke správě prostředků strojového učení, jako jsou data, výpočty, trénovací kód modelu, protokolované metriky a trénované modely. Dozvíte se, jak používat webové rozhraní Azure Machine Learning studia a také Azure Machine Learning SDK a vývojářské nástroje, jako je Visual Studio Code a Jupyter Notebooks, k práci s aktivy ve vašem pracovním prostoru.

Lekce

  • Úvod do Azure Machine Learning
  • Práce s Azure Machine Learning

Lab : Vytvořte pracovní prostor Azure Machine Learning

  • Poskytněte pracovní prostor Azure Machine Learning
  • Pomocí nástrojů a kódu pracujte s Azure Machine Learning

Modul 2: Vizuální nástroje pro strojové učení

Tento modul představuje vizuální nástroje Automated Machine Learning a Designer, které můžete použít k trénování, hodnocení a nasazení modelů strojového učení, aniž byste museli psát jakýkoli kód.

Lekce

  • Automatizované strojové učení
  • Azure Machine Learning Designer

Lab : Použijte automatizované strojové učení

Lab : Použijte Azure Machine Learning Designer

  • Použijte automatizované strojové učení k trénování modelu strojového učení
  • K trénování modelu použijte návrhář Azure Machine Learning

Modul 3: Spouštění experimentů a tréninkových modelů

V tomto modulu začnete s experimenty, které zapouzdřují zpracování dat a modelují trénovací kód, a používáte je k trénování modelů strojového učení.

Lekce

  • Úvod do experimentů
  • Školení a registrace modelů

Lab : Modely

Lab : Experimenty

  • Spouštějte experimenty založené na kódu v pracovním prostoru Azure Machine Learning
  • Trénujte a registrujte modely strojového učení

Modul 4: Práce s daty

Data jsou základním prvkem v jakékoli pracovní zátěži strojového učení, takže v tomto modulu se naučíte vytvářet a spravovat datová úložiště a datové sady v pracovním prostoru Azure Machine Learning a jak je používat v experimentech modelového školení.

Lekce

  • Práce s datovými úložišti
  • Práce s datovými sadami

Lab : Práce s daty

  • Vytvářejte a používejte datová úložiště
  • Vytvářejte a používejte datové sady

Modul 5: Práce s Compute

Jednou z klíčových výhod cloudu je schopnost využívat výpočetní zdroje na vyžádání a využívat je k škálování procesů strojového učení v rozsahu, který by na vašem vlastním hardwaru nebyl možný. V tomto modulu se dozvíte, jak spravovat prostředí experimentů, která zajišťují konzistentní konzistenci běhu experimentů, a jak vytvářet a používat výpočetní cíle pro běhy experimentů.

Lekce

  • Práce s prostředími
  • Práce s výpočetními cíli

Lab : Práce s počítačem

  • Vytvářejte a používejte prostředí
  • Vytvářejte a používejte výpočetní cíle

Modul 6: Organizace operací s potrubím

Nyní, když rozumíte základům spouštění úloh jako experimentů, které využívají datová aktiva a výpočetní zdroje, je čas naučit se, jak tyto úlohy organizovat jako kanály propojených kroků. Pipelines jsou klíčem k implementaci efektivního řešení Machine Learning Operationalization (ML Ops) v Azure, takže v tomto modulu prozkoumáte, jak je definovat a spouštět.

Lekce

  • Úvod do potrubí
  • Publikování a provozování potrubí

Lab : Vytvořte potrubí

  • Vytvářejte kanály pro automatizaci pracovních postupů strojového učení
  • Publikovat a provozovat potrubní služby

Modul 7: Nasazení a spotřeba modelů

Modely jsou navrženy tak, aby napomáhaly rozhodování prostřednictvím předpovědí, takže jsou užitečné pouze tehdy, jsou-li nasazeny a dostupné pro aplikaci ke spotřebě. V tomto modulu se dozvíte, jak nasadit modely pro inferencování v reálném čase a pro dávkové inferencování.

Lekce

  • Odvozování v reálném čase
  • Dávkové odvození
  • Nepřetržitá integrace a dodávka

Lab : Vytvořte službu odvození v reálném čase

Lab : Vytvořte službu Batch Inferencing Service

  • Publikovat model jako službu odvození v reálném čase
  • Publikovat model jako službu dávkového odvození
  • Popište techniky pro implementaci nepřetržité integrace a poskytování

Modul 8: Školení optimálních modelů

V této fázi kurzu jste se naučili úplný proces školení, nasazení a používání modelů strojového učení; ale jak zajistíte, že váš model produkuje nejlepší prediktivní výstupy pro vaše data? V tomto modulu prozkoumáte, jak můžete využít ladění hyperparametrů a automatizované strojové učení k využití výhod cloudového výpočtu a nalezení nejlepšího modelu pro vaše data.

Lekce

  • Ladění hyperparametrů
  • Automatizované strojové učení

Lab : Použijte automatické strojové učení ze sady SDK

Lab : Vylaďte hyperparametry

  • Optimalizujte hyperparametry pro trénování modelu
  • Použijte automatizované strojové učení k nalezení optimálního modelu pro vaše data

Modul 9: Odpovědné strojové učení

Datoví vědci mají povinnost zajistit, aby analyzovali data a zodpovědně trénovali modely strojového učení; respektování soukromí jednotlivce, zmírnění předsudků a zajištění transparentnosti. Tento modul zkoumá některé úvahy a techniky pro aplikaci principů zodpovědného strojového učení.

Lekce

  • Diferenciální soukromí
  • Interpretovatelnost modelu
  • Spravedlnost

Lab : Prozkoumání soukromí

Lab : Interpretování modelů

Lab : Odhalit a zmírnit nepřesnosti

  • Aplikujte rozdíl mezi soukromím a analýzou dat
  • Použijte vysvětlovače k interpretaci modelů strojového učení
  • Vyhodnoťte modely z hlediska spravedlnosti

Modul 10: Monitorovací modely

Po nasazení modelu je důležité porozumět tomu, jak je model používán ve výrobě, a detekovat jakékoli snížení jeho účinnosti v důsledku posunu dat. Tento modul popisuje techniky pro monitorování modelů a jejich dat.

Lekce

  • Monitorování modelů pomocí Application Insights
  • Monitorování datového posunu

Lab : Monitorování datového posunu

Lab : Monitorování modelu pomocí Application Insights

  • Použijte Application Insights k monitorování publikovaného modelu
  • Sledujte posun dat

Předpokládané znalosti

Úspěšní Azure Data Scientists začínají tuto roli se základními znalostmi konceptů cloud computingu a zkušenostmi s obecnými datovými vědami a nástroji a technikami strojového učení.

Konkrétně:

  • Vytváření cloudových prostředků v Microsoft Azure.
  • Použití Pythonu k prozkoumání a vizualizaci dat.
  • Školení a ověřování modelů strojového učení pomocí běžných rámců, jako je Scikit-Learn, PyTorch a TensorFlow.
  • Práce s kontejnery

Chcete-li získat tyto nezbytné dovednosti, absolvujte před návštěvou kurzu následující bezplatné online školení:

Pokud jste v oblasti datové vědy a strojového učení úplným nováčkem, vyplňte prosím nejdříve Microsoft Azure AI Fundamentals

Potřebujete poradit nebo upravit kurz na míru?

onas

produktová podpora

Platební brána ComGate Logo MasterCard Logo Visa