MS DP-100
MS DP-100 - Проектирование и реализация решений Data Science в Azure
Длительность
3д / 24ч
Содержание курса
Цель курса - предоставить слушателям знания и навыки использования служб Azure для разработки, обучения и развертывания решений машинного обучения. Курс включает в себя обзор служб Azure, поддерживающих науку о данных.
Аудитория
Курс предназначен для специалистов по данным (data scientists), обладающих знаниями языка Python и систем машинного обучения, таких как Scikit-Learn, PyTorch и Tensorflow, для создания и использования решений машинного обучения в облаке.
По окончании курса слушатели смогут:
- Создавать и использовать рабочую область Azure Machine Learning Workspace
- Использовать инструменты и писать код с Azure Machine Learning
- Использовать конструктор для обучения модели машинного обучения
- Развертывать конвейер Azure ML Designer как службу
- Выполнять эксперименты на основе кода в рабочей области Azure Machine Learning
- Обучать модели машинного обучения
- Создавать и использовать хранилища данных
- Создавать и использовать наборы данных
- Создавать и использовать вычисляемые среды
- Создавать и использовать целевые показатели вычислений
- Создавать конвейеры для автоматизации рабочих процессов машинного обучения.
- Публиковать и запускать службы конвейера
- Публиковать модель как сервис логического вывода в реальном времени
- Публиковать модель в качестве службы пакетного вывода
- Оптимизировать гиперпараметры обучения модели
- Использовать автоматическое машинное обучение, для поиска оптимальной модели для данных
- Создавать объяснений модели с автоматическим машинным обучением
- Использовать объяснения для интерпретации моделей машинного обучения
- Использовать Application Insights для мониторинга опубликованной модели
- Отслеживать дрейф данных (Data Drift)
Сертификационные экзамены:
Курс помогает подготовиться к следующим сертификационным экзаменам:
- DP-100: Designing and Implementing a Data Science Solution on Azure
Необходимая подготовка
Для эффективного обучения слушатели должны обладать следующими знаниями и навыками:
- Знание основ Azure;
- Знание языка Python, а также опыт использования библиотек Numpy, Pandas, и Matplotlib
- Понимание науки о данных (data science), в том числе технологий подготовки данных, обучение моделей и оценки конкурирующих моделей при выборе оптимальной с использованием библиотек Scikit-Learn, PyTorch, или Tensorflow.
Материалы слушателя
Слушателям предоставляется фирменное учебное пособие и прочие материалы, необходимые для обучения.
Содержание курса
Модуль 1: Введение в машинное обучение с Azure Machine Learning
Этот модуль посвящен процессу науки о данных и роли специалиста по данным (data scientist), а также использованию служб Azure в поддержке и расширении процесса обработки данных. В модуле описывается использование веб-интерфейса Azure Machine Learning studio, а также Azure Machine Learning SDK и инструментов разработчика, таких как Visual Studio Code и Jupyter Notebooks.
Темы
- Обзор науки о данных в Azure
- Инструменты Azure Machine Learning Tools
Лабораторные работы:
- Создание рабочей области Azure Machine Learning Workspace
- Работа с инструментами Azure Machine Learning Tools
Модуль 2: Машинное обучение «без кода» в Azure ML Designer
Этот модуль описывает конструктор и drag-and-drop интерфейс для создания моделей машинного обучения без написания кода. Слушатели узнают, как создать конвейер обучения (pipeline), который включает в себя подготовку данных и обучение модели, а затем преобразовать этот конвейер в конвейер вывода, который можно использовать для прогнозирования значений для новых данных, прежде чем окончательно запустить развертывание конвейера как клиентскую службу.
Темы
- Тренировка моделей в Azure ML Designer
- Публикация моделей с Azure ML Designer
Лабораторные работы:
- Создание обучающего конвейера с помощью Azure ML Designer
- Развертывание службы с помощью Azure ML Designer
Модуль 3: Запуск экспериментов и тренировка моделей
Этот модуль включает в себя описание экспериментов, которые включают обработку данных и тренировку моделей для последующего обучения моделей машинного обучения.
Темы
- Введение в эксперименты
- Обучение и регистрация моделей
Лабораторные работы:
- Запуск экспериментов
- Обучение и регистрация моделей
Модуль 4: Работа с данными
Этот модуль посвящен созданию хранилищ данных и наборов данных, управлению ими в рабочей области Azure Machine Learning, а также их использованию в экспериментах по обучению модели.
Темы
- Работа с хранилищами данных
- Работа с наборами данных
Лабораторные работы:
- Работа с хранилищами данных
- Работа с наборами данных
Модуль 5: Вычисляемые контексты
Этот модуль посвящен управлению средами эксперимента, которые обеспечивают согласованность во время выполнения экспериментов, а также созданию и использованию целевых показателей вычислений.
Темы
- Работа с вычислительной средой
- Работа с целевыми показателями вычислений
Лабораторные работы:
- Работа с вычислительной средой
- Работа с целевыми показателями вычислений
Модуль 6: Оркестровка операций с помощью конвейеров
Этот модуль посвящен созданию и запуску конвейеров для реализации эффективного решения Machine Learning Operationalization (ML Ops) в Azure.
Темы
- Введение в конвейеры
- Публикация и использование конвейеров
Лабораторные работы:
- Создание конвейера
- Публикация конвейера
Модуль 7: Развертывание и использование моделей
Этот модуль включает в себя развертывание модели в режиме вывода в реальном времени и в режиме пакетного вывода.
Темы
- Развертывании в реальном времени
- Развертывание в режиме пакетного вывода
Лабораторные работы:
- Создание службы режима реального времени
- Создание службы режима пакетного вывода
Модуль 8: Создание оптимальных моделей
Этот модуль посвящен настройке гиперпараметров и автоматизированному машинному обучению с использованием преимуществ облачных вычислений, а также поиску лучшей модели для данных.
Темы
- Настройка гиперпараметров
- Автоматизированное машинное обучение
Лабораторные работы:
- Настройка гиперпараметров
- Использование автоматизированного машинного обучения
Модуль 9: Интерпретация моделей
Этот модуль описывает, как интерпретировать модели машинного обучения для составления прогнозов.
Темы
- Введение в интерпретацию модели
- Использование интерпретаторов моделей (Model Explainers)
Лабораторные работы:
- просмотр разъяснений по автоматизированному машинному обучению
- интерпретация моделей
Модуль 10: Мониторинг моделей
Этот модуль описывает методы мониторинга моделей и их данных.
Темы
- Модели мониторинга с помощью Application Insights
- Мониторинг дрейфа данных (Data Drift)
Лабораторные работы:
- Модели мониторинга с помощью Application Insights
- Мониторинг Data Drift
Ближайшие мероприятия
Запланированных мероприятий пока нет
Свяжитесь с нами
для получения информации