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
