DP-100T01 Designing and Implementing a Data Science Solution on Azure

Modulul 1: Noțiuni introductive de Azure Machine Learning
În acest modul, veți învăța cum să furnizați un spațiu de lucru Azure Machine Learning și să îl utilizați pentru a gestiona activele de învățare automată, cum ar fi datele, calcularea, codul de antrenament al modelului, valorile înregistrate și modelele antrenate. Veți învăța cum să utilizați interfața de studio Azure Machine Learning bazată pe web, precum și SDK-ul Azure Machine Learning și instrumente pentru dezvoltatori precum Visual Studio Code și Jupyter Notebooks pentru a lucra cu activele din spațiul dvs. de lucru.

Lecții
Introducere în Azure Machine Learning

Lucrul cu Azure Machine Learning

Laborator: Creați un spațiu de lucru Azure Machine Learning
După finalizarea acestui modul, veți putea

Furnizați un spațiu de lucru Azure Machine Learning

Utilizați instrumente și cod pentru a lucra cu Azure Machine Learning

Modulul 2: Instrumente vizuale pentru învățarea automată
Acest modul prezintă instrumentele vizuale Automated Machine Learning și Designer, pe care le puteți folosi pentru a instrui, evalua și implementa modele de machine learning fără a scrie niciun cod.

Lecții
Învățare automată automată

Azure Machine Learning Designer

Laborator: Folosiți învățarea automată automată
Laborator: Utilizați Azure Machine Learning Designer
După finalizarea acestui modul, veți putea

Utilizați învățarea automată pentru a antrena un model de învățare automată

Utilizați designerul Azure Machine Learning pentru a antrena un model

Modulul 3: Experimente de rulare și modele de antrenament
În acest modul, veți începe cu experimente care încapsulează procesarea datelor și codul de antrenament al modelului și le veți folosi pentru a antrena modele de învățare automată.

Lecții
Introducere în experimente

Modele de instruire și înregistrare

Laborator: Modele de trenuri
Laborator: Rulați experimente
După finalizarea acestui modul, veți putea

Rulați experimente bazate pe cod într-un spațiu de lucru Azure Machine Learning

Antrenează și înregistrează modele de învățare automată

Modulul 4: Lucrul cu date
Datele sunt un element fundamental în orice sarcină de lucru de învățare automată, așa că în acest modul, veți învăța cum să creați și să gestionați depozite de date și seturi de date într-un spațiu de lucru Azure Machine Learning și cum să le utilizați în experimente de antrenament model.

Lecții
Lucrul cu Datastores

Lucrul cu seturi de date

Laborator: Lucrul cu date
După finalizarea acestui modul, veți putea

Creați și utilizați depozite de date

Creați și utilizați seturi de date

Modulul 5: Lucrul cu Calcul
Unul dintre avantajele cheie ale cloud-ului este capacitatea de a folosi resursele de calcul la cerere și de a le folosi pentru a scala procesele de învățare automată într-o măsură care ar fi imposibil de realizat pe propriul hardware. În acest modul, veți învăța cum să gestionați mediile de experiment care asigură consecvența timpului de rulare pentru experimente și cum să creați și să utilizați ținte de calcul pentru rulările experimentului.

Lecții
Lucrul cu mediile

Lucrul cu ținte de calcul

Laborator: Lucrați cu Compute
După finalizarea acestui modul, veți putea

Creați și utilizați medii

Creați și utilizați ținte de calcul

Modulul 6: Orchestrarea operațiunilor cu conducte
Acum că înțelegeți elementele de bază ale rulării sarcinilor de lucru ca experimente care valorifică resursele de date și resursele de calcul, este timpul să învățați cum să orchestrați aceste sarcini de lucru ca conducte de pași conectați. Conductele sunt cheia pentru implementarea unei soluții eficiente de operaționalizare a învățării automate (ML Ops) în Azure, așa că veți explora cum să le definiți și să le rulați în acest modul.

Lecții
Introducere în conducte

Publicarea și rularea conductelor

Laborator: Creați o conductă
După finalizarea acestui modul, veți putea

Creați conducte pentru a automatiza fluxurile de lucru de învățare automată

Publicați și rulați servicii pipeline

Modulul 7: Implementarea și consumarea modelelor
Modelele sunt concepute pentru a ajuta la luarea deciziilor prin predicții, așa că sunt utile numai atunci când sunt implementate și disponibile pentru consumarea unei aplicații. În acest modul, aflați cum să implementați modele pentru inferență în timp real și pentru inferență în loturi.

Lecții
Inferențele în timp real

Inferențele pe lot

Integrare și livrare continuă

Laborator: Creați un serviciu de inferențe în timp real
Laborator: Creați un serviciu de inferență pe loturi
După finalizarea acestui modul, veți putea

Publicați un model ca serviciu de inferență în timp real

Publicați un model ca serviciu de inferență pe lot

Descrieți tehnici de implementare a integrării și livrării continue

Modulul 8: Antrenarea modelelor optime
În această etapă a cursului, ați învățat procesul de la capăt la capăt pentru formarea, implementarea și consumarea modelelor de învățare automată; dar cum vă asigurați că modelul dvs. produce cele mai bune rezultate predictive pentru datele dvs.? În acest modul, veți explora modul în care puteți utiliza reglarea hiperparametrului și învățarea automată a mașinilor pentru a profita de calculul la scară cloud și pentru a găsi cel mai bun model pentru datele dvs.

Lecții
Reglajul hiperparametrilor

Învățare automată automată

Laborator: Utilizați învățarea automată automată din SDK
Laborator: Reglați hiperparametrii
După finalizarea acestui modul, veți putea

Optimizați hiperparametrii pentru antrenamentul modelului

Utilizați învățarea automată automată pentru a găsi modelul optim pentru datele dvs

Modulul 9: Învățare automată responsabilă
Oamenii de știință de date au datoria de a se asigura că analizează datele și antrenează în mod responsabil modelele de învățare automată; respectarea intimității individuale, atenuarea părtinirii și asigurarea transparenței. Acest modul explorează câteva considerații și tehnici pentru aplicarea principiilor învățării automate responsabile.

Lecții
Confidențialitate diferențială

Interpretabilitatea modelului

corectitudine

Laborator: Explorați demonstrația diferențială
Laborator: Interpretarea modelelor
Laborator: Detectează și atenuează nedreptatea
După finalizarea acestui modul, veți putea

Aplicați demonstrația diferențială la analiza datelor

Folosiți explicații pentru a interpreta modele de învățare automată

Evaluați modelele pentru corectitudine

Modulul 10: Modele de monitorizare
După ce un model a fost implementat, este important să înțelegeți modul în care modelul este utilizat în producție și să detectați orice degradare a eficienței sale din cauza derivării datelor. Acest modul descrie tehnici de monitorizare a modelelor și a datelor acestora.

Lecții
Monitorizarea modelelor cu aplicație Insights

Monitorizarea derivării datelor

Laborator: Monitorizați deriva de date
Laborator: Monitorizați un model cu informații despre aplicație
După finalizarea acestui modul, veți putea

Utilizați Application Insights pentru a monitoriza un model publicat

Monitorizați deriva de date