Kurszusammenfassung
Dieser Kurs richtet sich an Datenwissenschaftler mit Vorkenntnissen in Python und Machine-Learning-Frameworks wie Scikit-Learn, PyTorch und Tensorflow, die Machine-Learning-Lösungen in der Cloud erstellen und betreiben möchten. Die Teilnehmer lernen,
Entwerfen Sie eine Lösung für maschinelles Lernen
Erkunden Sie den Azure Machine Learning-Arbeitsbereich
Arbeiten mit Daten in Azure Machine Learning
Arbeiten mit Compute in Azure Machine Learning
Automatisieren Sie die Auswahl von Machine Learning-Modellen mit Azure Machine Learning
Verwenden von Notebooks zum Experimentieren in Azure Machine Learning
Trainieren von Modellen mit Skripts in Azure Machine Learning
Optimieren Sie das Modelltraining mit Pipelines in Azure Machine Learning
Verwalten und Überprüfen von Modellen in Azure Machine Learning
Bereitstellen und Nutzen von Modellen mit Azure Machine Learning
Entwerfen und Vorbereiten einer Lösung für maschinelles Lernen (20–25 %)
Entwerfen Sie eine Lösung für maschinelles Lernen
Bestimmen Sie die geeigneten Rechenspezifikationen für eine Trainingsarbeitslast
Beschreiben Sie die Anforderungen für die Modellbereitstellung
Wählen Sie aus, welcher Entwicklungsansatz zum Erstellen oder Trainieren eines Modells verwendet werden soll
Verwalten eines Azure Machine Learning-Arbeitsbereichs
Erstellen eines Azure Machine Learning-Arbeitsbereichs
Verwalten Sie einen Arbeitsbereich mithilfe von Entwicklertools für die Arbeitsbereichsinteraktion
Einrichten der Git-Integration für die Quellcodeverwaltung
Erstellen und Verwalten von Registrierungen
Verwalten von Daten in einem Azure Machine Learning-Arbeitsbereich
Auswählen von Azure Storage-Ressourcen
Registrieren und Verwalten von Datenspeichern
Erstellen und Verwalten von Datenbeständen
Verwalten der Compute für Experimente in Azure Machine Learning
Erstellen Sie Computeziele für Experimente und Training
Auswählen einer Umgebung für einen Anwendungsfall des maschinellen Lernens
Konfigurieren Sie angeschlossene Computeressourcen, einschließlich Apache Spark-Pools
Überwachen der Rechenleistung
Daten erkunden und Modelle trainieren (35–40 %)
Untersuchen von Daten mithilfe von Datenressourcen und Datenspeichern
Greifen Sie während der interaktiven Entwicklung auf Daten zu und bearbeiten Sie diese
Interaktive Daten mit Apache Spark verwalten
Erstellen von Modellen mit dem Azure Machine Learning-Designer
Erstellen einer Trainingspipeline
Datenbestände vom Designer nutzen
Verwenden Sie benutzerdefinierte Codekomponenten im Designer
Bewerten Sie das Modell, einschließlich der Richtlinien für verantwortungsvolle KI
Verwenden Sie automatisiertes maschinelles Lernen, um optimale Modelle zu erkunden
Verwenden Sie automatisiertes maschinelles Lernen für tabellarische Daten
Verwenden Sie automatisiertes maschinelles Lernen für Computer Vision
Verwenden Sie automatisiertes maschinelles Lernen für die Verarbeitung natürlicher Sprache
Auswählen und Verstehen von Trainingsoptionen, einschließlich Vorverarbeitung und Algorithmen
Bewerten Sie einen automatisierten Machine-Learning-Lauf, einschließlich der Richtlinien für verantwortungsvolle KI
Verwenden von Notebooks für benutzerdefiniertes Modelltraining
Entwickeln von Code mithilfe einer Compute-Instanz
Verfolgen Sie das Modelltraining mit MLflow
Ein Modell auswerten
Trainieren eines Modells mit Python SDKv2
Verwenden Sie das Terminal, um eine Compute-Instanz zu konfigurieren
Optimieren Sie Hyperparameter mit Azure Machine Learning
Auswählen einer Stichprobenmethode
Definieren Sie den Suchraum
Definieren Sie die primäre Metrik
Definieren Sie vorzeitige Kündigungsoptionen
Bereiten Sie ein Modell für die Bereitstellung vor (20–25 %)
Ausführen von Modelltrainingsskripten
Konfigurieren der Jobausführungseinstellungen für ein Skript
Konfigurieren der Compute-Leistung für eine Auftragsausführung
Daten aus einem Datenobjekt in einem Auftrag nutzen
Ausführen eines Skripts als Auftrag mithilfe von Azure Machine Learning
Verwenden von MLflow zum Protokollieren von Metriken aus einem Joblauf
Verwenden von Protokollen zur Behebung von Jobausführungsfehlern
Konfigurieren einer Umgebung für die Ausführung eines Auftrags
Definieren von Parametern für einen Job
Implementieren von Trainingspipelines
Erstellen Sie eine Pipeline
Übergeben von Daten zwischen Schritten in einer Pipeline
Ausführen und Planen einer Pipeline
Überwachen von Pipeline-Ausführungen
Erstellen Sie benutzerdefinierte Komponenten
Verwenden Sie komponentenbasierte Pipelines
Verwalten von Modellen in Azure Machine Learning
Beschreiben der MLflow-Modellausgabe
Identifizieren Sie ein geeignetes Framework zum Verpacken eines Modells
Bewerten Sie ein Modell anhand der Richtlinien für verantwortungsvolle KI
Ein Modell bereitstellen und neu trainieren (10–15 %)
Stellen Sie ein Modell bereit
Konfigurieren der Einstellungen für die Onlinebereitstellung
Konfigurieren der Compute-Leistung für eine Batchbereitstellung
Bereitstellen eines Modells auf einem Onlineendpunkt
Bereitstellen eines Modells an einem Batch-Endpunkt
Testen eines online bereitgestellten Dienstes
Rufen Sie den Batch-Endpunkt auf, um einen Batch-Bewertungsauftrag zu starten
Anwenden von Verfahren für maschinelles Lernen (MLOps)
Auslösen eines Azure Machine Learning-Auftrags, auch von Azure DevOps oder GitHub
Automatisieren Sie die Neuschulung des Modells basierend auf neuen Datenergänzungen oder Datenänderungen
Definieren Sie ereignisbasierte Auslöser für das erneute Training
Andere beliebte Kurse
CompTIA: SecurityX
- Dauer: 5 Tage
- Sprache: Englisch
- Ebene: Erweitert
- Prüfung: CAS-005
Executive Cyber Risk-Zertifizierung (ECRC)
- Dauer: 2 Tage
- Sprache: Englisch
- Ebene: Erweitert
- Prüfung: ECRC
Kommunikations- und Präsentationstechniken meistern …
- Dauer: 5 Tage
- Sprache: Dänisch
- Ebene: Fortgeschrittener
- Prüfung: MCPT