Cieľová skupina
Tento kurz je určený pre dátových vedcov s existujúcimi znalosťami Pythonu a rámcov strojového učenia, ako sú Scikit-Learn, PyTorch a Tensorflow, ktorí chcú vytvárať a prevádzkovať riešenia strojového učenia v cloude.
Štruktúra kurzu
Modul 1: Začínáme s Azure Machine Learning
V tomto module sa dozviete, ako zriadiť pracovný priestor Azure Machine Learning a používať ho na správu prostriedkov strojového učenia, ako sú dáta, výpočty, trénovací kód modelu, protokolované metriky a trénované modely. Dozviete sa, ako používať webové rozhranie Azure Machine Learning štúdia a tiež Azure Machine Learning SDK a vývojárske nástroje, ako je Visual Studio Code a Jupyter Notebooks, na prácu s aktívami vo vašom pracovnom priestore.
Lekcie
- Úvod do Azure Machine Learning
- Práca s Azure Machine Learning
Lab : Vytvorte pracovný priestor Azure Machine Learning
- Poskytnite pracovný priestor Azure Machine Learning
- Pomocou nástrojov a kódu pracujte s Azure Machine Learning
Modul 2: Vizuálne nástroje pre strojové učenie
Tento modul predstavuje vizuálne nástroje Automated Machine Learning a Designer, ktoré môžete použiť na trénovanie, hodnotenie a nasadenie modelov strojového učenia bez toho, aby ste museli písať akýkoľvek kód.
Lekcie
- Automatizované strojové učenie
- Azure Machine Learning Designer
Lab : Použite automatizované strojové učenie
Lab : Použite Azure Machine Learning Designer
- Použite automatizované strojové učenie na trénovanie modelu strojového učenia
- Na trénovanie modelu použite návrhár Azure Machine Learning
Modul 3: Spúšťanie experimentov a tréningových modelov
V tomto module začnete s experimentmi, ktoré zapuzdrujú spracovanie dát a modelujú trénovací kód, a používate ich na trénovanie modelov strojového učenia.
Lekcie
- Úvod do experimentov
- Školenia a registrácia modelov
Lab : Modely
Lab : Experimenty
- Spúšťajte experimenty založené na kóde v pracovnom priestore Azure Machine Learning
- Trénujte a registrujte modely strojového učenia
Modul 4: Práca s dátami
Dáta sú základným prvkom v akejkoľvek pracovnej záťaži strojového učenia, takže v tomto module sa naučíte vytvárať a spravovať dátové úložiská a dátové sady v pracovnom priestore Azure Machine Learning a ako ich používať v experimentoch modelového školenia.
Lekcie
- Práca s dátovými úložiskami
- Práca s dátovými súpravami
Lab : Práca s dátami
- Vytvárajte a používajte dátové úložiská
- Vytvárajte a používajte dátové sady
Modul 5: Práca s Compute
Jednou z kľúčových výhod cloudu je schopnosť využívať výpočtové zdroje na vyžiadanie a využívať ich na škálovanie procesov strojového učenia v rozsahu, ktorý by na vašom vlastnom hardvéri nebol možný. V tomto module sa dozviete, ako spravovať prostredie experimentov, ktoré zaisťujú konzistentnú konzistenciu behu experimentov, a ako vytvárať a používať výpočtové ciele pre behy experimentov.
Lekcie
- Práca s prostrediami
- Práca s výpočtovými cieľmi
Lab : Práca s počítačom
- Vytvárajte a používajte prostredie
- Vytvárajte a používajte výpočtové ciele
Modul 6: Organizácia operácií s potrubím
Teraz, keď rozumiete základom spúšťania úloh ako experimentov, ktoré využívajú dátové aktíva a výpočtové zdroje, je čas naučiť sa, ako tieto úlohy organizovať ako kanály prepojených krokov. Pipelines sú kľúčom k implementácii efektívneho riešenia Machine Learning Operationalization (ML Ops) v Azure, takže v tomto module preskúmate, ako ich definovať a spúšťať.
Lekcie
- Úvod do potrubia
- Publikovanie a prevádzkovanie potrubia
Lab : Vytvorte potrubie
- Vytvárajte kanály pre automatizáciu pracovných postupov strojového učenia
- Publikovať a prevádzkovať potrubné služby
Modul 7: Nasadenie a spotreba modelov
Modely sú navrhnuté tak, aby napomáhali rozhodovaniu prostredníctvom predpovedí, takže sú užitočné iba vtedy, ak sú nasadené a dostupné pre aplikáciu na spotrebu. V tomto module sa dozviete, ako nasadiť modely pre inferencovanie v reálnom čase a pre dávkové inferencovanie.
Lekcie
- Odvodzovanie v reálnom čase
- Dávkové odvodenie
- Nepretržitá integrácia a dodávka
Lab : Vytvorte službu odvodenia v reálnom čase
Lab : Vytvorte službu Batch Inferencing Service
- Publikovať model ako službu odvodenia v reálnom čase
- Publikovať model ako službu dávkového odvodenia
- Popíšte techniky pre implementáciu nepretržitej integrácie a poskytovania
Modul 8: Školenie optimálnych modelov
V tejto fáze kurzu ste sa naučili úplný proces školenia, nasadenia a používania modelov strojového učenia; ale ako zaistíte, že váš model produkuje najlepšie prediktívne výstupy pre vaše dáta? V tomto module preskúmate, ako môžete využiť ladenie hyperparametrov a automatizované strojové učenie na využitie výhod cloudového výpočtu a nájdenie najlepšieho modelu pre vaše dáta.
Lekcie
- Ladenie hyperparametrov
- Automatizované strojové učenie
Lab : Použite automatické strojové učenie zo sady SDK
Lab : Vylaďte hyperparametre
- Optimalizujte hyperparametre pre trénovanie modelu
- Použite automatizované strojové učenie na nájdenie optimálneho modelu pre vaše dáta
Modul 9: Zodpovedné strojové učenie
Datoví vedci majú povinnosť zabezpečiť, aby analyzovali dáta a zodpovedne trénovali modely strojového učenia; rešpektovanie súkromia jednotlivca, zmiernenie predsudkov a zabezpečenie transparentnosti. Tento modul skúma niektoré úvahy a techniky na aplikáciu princípov zodpovedného strojového učenia.
Lekcie
- Diferenciálne súkromie
- Interpretovateľnosť modelu
- Spravodlivosť
Lab : Preskúmanie súkromia
Lab : Interpretovanie modelov
Lab : Odhaliť a zmierniť nepresnosti
- Aplikujte rozdiel medzi súkromím a analýzou dát
- Použite vysvetľovače na interpretáciu modelov strojového učenia
- Vyhodnoťte modely z hľadiska spravodlivosti
Modul 10: Monitorovacie modely
Po nasadení modelu je dôležité porozumieť tomu, ako je model používaný vo výrobe, a detekovať akékoľvek zníženie jeho účinnosti v dôsledku posunu dát. Tento modul popisuje techniky na monitorovanie modelov a ich dát.
Lekcie
- Monitorovanie modelov pomocou Application Insights
- Monitorovanie dátového posunu
Lab : Monitorovanie dátového posunu
Lab : Monitorovanie modelu pomocou Application Insights
- Použite Application Insights na monitorovanie publikovaného modelu
- Sledujte posun dát