Microsoft: Azure Data Scientist Associate (DP-100)

Design og forbered en maskinlæringsløsning (20-25%)
Design en maskinlæringsløsning
Bestem de passende beregningsspecifikationer for en træningsarbejdsbyrde

Beskriv kravene til modelimplementering

Vælg hvilken udviklingsmetode der skal bruges til at bygge eller træne en model

Administrer et Azure Machine Learning-arbejdsområde
Opret et Azure Machine Learning-arbejdsområde

Administrer et arbejdsområde ved hjælp af udviklerværktøjer til interaktion med arbejdsområdet

Opsæt Git-integration til kildekontrol

Opret og administrer registre

Administrer data i et Azure Machine Learning-arbejdsområde
Vælg Azure Storage-ressourcer

Registrer og vedligehold datalagre

Opret og administrer dataaktiver

Administrer beregning til eksperimenter i Azure Machine Learning
Opret beregningsmål til eksperimenter og træning

Vælg et miljø til en use case for maskinlæring

Konfigurer tilknyttede computerressourcer, herunder Apache Spark-puljer

Overvåg computerudnyttelse

Udforsk data og træn modeller (35-40%)
Udforsk data ved hjælp af dataaktiver og datalagre
Få adgang til og manipuler data under interaktiv udvikling

Wrangle interaktive data med Apache Spark

Opret modeller ved hjælp af Azure Machine Learning-designeren
Opret en træningspipeline

Forbrug dataaktiver fra designeren

Brug brugerdefinerede kodekomponenter i designeren

Evaluer modellen, inklusive retningslinjer for ansvarlig AI

Brug automatiseret maskinlæring til at udforske optimale modeller
Brug automatiseret maskinlæring til tabeldata

Brug automatiseret maskinlæring til computer vision

Brug automatiseret maskinlæring til behandling af naturligt sprog

Vælg og forstå træningsmuligheder, herunder forbehandling og algoritmer

Evaluer en automatiseret maskinlæringskørsel, inklusive ansvarlige AI-retningslinjer

Brug notesbøger til brugerdefineret modeltræning
Udvikl kode ved hjælp af en beregningsinstans

Spor modeltræning ved hjælp af MLflow

Evaluer en model

Træn en model ved hjælp af Python SDKv2

Brug terminalen til at konfigurere en computerinstans

Juster hyperparametre med Azure Machine Learning
Vælg en prøveudtagningsmetode

Definer søgeområdet

Definer den primære metrik

Definer muligheder for tidlig opsigelse

Forbered en model til implementering (20-25%)
Kør modeltræningsscripts
Konfigurer jobkørselsindstillinger for et script

Konfigurer beregning til en jobkørsel

Forbrug data fra et dataaktiv i et job

Kør et script som et job ved hjælp af Azure Machine Learning

Brug MLflow til at logge metrikker fra en jobkørsel

Brug logfiler til at foretage fejlfinding af jobkørselsfejl

Konfigurer et miljø til en jobkørsel

Definer parametre for et job

Implementer træningspipelines
Opret en pipeline

Overfør data mellem trin i en pipeline

Kør og planlæg en pipeline

Overvåg pipeline-kørsler

Opret brugerdefinerede komponenter

Brug komponentbaserede pipelines

Administrer modeller i Azure Machine Learning
Beskriv MLflow-modellens output

Identificer et passende framework til at pakke en model

Vurder en model ved hjælp af ansvarlige AI-retningslinjer

Implementér og omtræn en model (10-15%)
Implementer en model
Konfigurer indstillinger for onlineimplementering

Konfigurer beregning til en batchinstallation

Implementer en model til et online slutpunkt

Implementer en model til et batch-slutpunkt

Test en online implementeret tjeneste

Kald batch-slutpunktet for at starte et batch-scoringsjob

Anvend maskinlæringsoperationer (MLOps) praksisser
Udløs et Azure Machine Learning-job, herunder fra Azure DevOps eller GitHub

Automatiser modelgenoptræning baseret på nye datatilføjelser eller dataændringer

Definer hændelsesbaserede omskolingsudløsere