Kundestøtte

Hev din ekspertise: Lær mer, spar mer og oppnå mer med våre eksklusive opplæringstilbud!

Kursoppsummering

Dette kurset er utformet for dataforskere med eksisterende kunnskap om Python og maskinlæringsrammeverk som Scikit-Learn, PyTorch og Tensorflow, som ønsker å bygge og drifte maskinlæringsløsninger i skyen. Studentene vil lære å,

Design en maskinlæringsløsning
Utforsk Azure Machine Learning-arbeidsområdet
Arbeid med data i Azure Machine Learning
Arbeid med databehandling i Azure Machine Learning
Automatiser valg av maskinlæringsmodell med Azure Machine Learning
Bruk notatbøker til eksperimentering i Azure Machine Learning
Tren modeller med skript i Azure Machine Learning
Optimaliser modelltrening med pipelines i Azure Machine Learning
Administrer og gjennomgå modeller i Azure Machine Learning
Distribuer og forbruk modeller med Azure Machine Learning

Design og utarbeid en maskinlæringsløsning (20–25 %)
Design en maskinlæringsløsning
Bestem de riktige beregningsspesifikasjonene for en treningsarbeidsmengde

Beskriv kravene til modelldistribusjon

Velg hvilken utviklingsmetode som skal brukes for å bygge eller trene en modell

Administrer et Azure Machine Learning-arbeidsområde
Opprett et Azure Machine Learning-arbeidsområde

Administrer et arbeidsområde ved hjelp av utviklerverktøy for samhandling med arbeidsområdet

Konfigurer Git-integrasjon for kildekontroll

Opprett og administrer registre

Administrer data i et Azure Machine Learning-arbeidsområde
Velg Azure Storage-ressurser

Registrer og vedlikehold datalagre

Opprett og administrer dataressurser

Administrer databehandling for eksperimenter i Azure Machine Learning
Opprett beregningsmål for eksperimenter og trening

Velg et miljø for et brukstilfelle for maskinlæring

Konfigurer tilknyttede databehandlingsressurser, inkludert Apache Spark-pooler

Overvåk databehandlingsutnyttelsen

Utforsk data og tren modeller (35–40 %)
Utforsk data ved hjelp av dataressurser og datalagre
Tilgang til og håndtering av data under interaktiv utvikling

Wrangle interaktive data med Apache Spark

Lag modeller ved hjelp av Azure Machine Learning-designeren
Lag en opplæringspipeline

Forbruk dataressurser fra designeren

Bruk tilpassede kodekomponenter i designeren

Evaluer modellen, inkludert retningslinjer for ansvarlig AI

Bruk automatisert maskinlæring for å utforske optimale modeller
Bruk automatisert maskinlæring for tabelldata

Bruk automatisert maskinlæring for datasyn

Bruk automatisert maskinlæring for naturlig språkbehandling

Velg og forstå treningsalternativer, inkludert forbehandling og algoritmer

Evaluer en automatisert maskinlæringskjøring, inkludert ansvarlige AI-retningslinjer

Bruk notatbøker for tilpasset modelltrening
Utvikle kode ved hjelp av en databehandlingsinstans

Spor modelltrening ved hjelp av MLflow

Evaluer en modell

Tren en modell ved hjelp av Python SDKv2

Bruk terminalen til å konfigurere en databehandlingsinstans

Juster hyperparametere med Azure Machine Learning
Velg en utvalgsmetode

Definer søkeområdet

Definer den primære metrikken

Definer alternativer for tidlig oppsigelse

Klargjør en modell for utrulling (20–25 %)
Kjør modelltreningsskript
Konfigurer innstillinger for jobbkjøring for et skript

Konfigurer beregning for en jobbkjøring

Forbruke data fra et dataressurs i en jobb

Kjør et skript som en jobb ved hjelp av Azure Machine Learning

Bruk MLflow til å logge målinger fra en jobbkjøring

Bruk logger til å feilsøke feil i jobbkjøringen

Konfigurer et miljø for en jobbkjøring

Definer parametere for en jobb

Implementer opplæringsrørledninger
Lag en pipeline

Overfør data mellom trinn i en pipeline

Kjør og planlegg en pipeline

Overvåk pipeline-kjøringer

Opprett tilpassede komponenter

Bruk komponentbaserte pipelines

Administrer modeller i Azure Machine Learning
Beskriv MLflow-modellutdata

Identifiser et passende rammeverk for å pakke en modell

Vurder en modell ved å bruke ansvarlige AI-retningslinjer

Implementer og tren en modell på nytt (10–15 %)
Distribuer en modell
Konfigurer innstillinger for online distribusjon

Konfigurer beregning for en batchdistribusjon

Distribuer en modell til et online-endepunkt

Distribuer en modell til et batch-sluttpunkt

Test en nettbasert distribuert tjeneste

Kall batch-sluttpunktet for å starte en batch-scoringsjobb

Bruk maskinlæringsoperasjoner (MLOps)-praksis
Utløse en Azure Machine Learning-jobb, inkludert fra Azure DevOps eller GitHub

Automatiser modelltrening basert på nye datatilføyelser eller dataendringer

Definer hendelsesbaserte omskoleringsutløsere

Før studentene deltar på dette kurset, må de ha: Grunnleggende kunnskap om Microsoft Azure Erfaring med å skrive Python-kode for å jobbe med data, ved bruk av biblioteker som Numpy, Pandas og Matplotlib. Forståelse av datavitenskap; inkludert hvordan man forbereder data og trener maskinlæringsmodeller ved hjelp av vanlige maskinlæringsbiblioteker som Scikit-Learn, PyTorch eller Tensorflow.

Design og klargjør en maskinlæringsløsning (20–25 %) Utforsk data og tren modeller (35–40 %) Klargjør en modell for utrulling (20–25 %) Implementer og tren en modell på nytt (10–15 %)

Etter bestillingen din vil alle deltakere motta en bekreftelsesmelding, slik at du er godt informert om at du har registrert deg. Det vil også bli sendt ut kalenderplassholdere for å hjelpe deg med å planlegge dine forpliktelser rundt kurset. Du kan være trygg på at alt kursmateriell og tilgang til nødvendige laboratorieøvelser eller plattformer vil bli gitt senest én uke før kursstart, slik at du har god tid til å forberede deg og engasjere deg fullt ut i læringsopplevelsen som ligger foran deg.

Vår omfattende opplæringspakke inkluderer alt nødvendig materiell og ressurser for å legge til rette for en komplett læringsopplevelse. Deltakerne vil få detaljert kursinnhold, som dekker et bredt spekter av emner for å sikre en grundig forståelse av fagstoffet. I tillegg vil deltakerne motta et fullført kursbevis som anerkjennelse for deres dedikasjon og harde arbeid. Det er viktig å merke seg at selv om kursavgiften dekker alt opplæringsmateriell og erfaringer, er ikke eksamensavgiften for sertifisering inkludert, men kan kjøpes separat.
Send som en forhåndsutfylt handlekurv
Be om tilpasset levering

Spørsmål om dette kurset?







    Andre populære kurs

    CompTIA: SecurityX
    • Varighet: 5 dager
    • Språk: Engelsk
    • Nivå: Avansert
    • Eksamen: CAS-005
    Kursdetaljer Dette produktet har flere varianter. Alternativene kan velges på produktsiden
    Datoer og detaljer
    Sertifisering for cyberrisiko for ledere (ECRC)
    • Varighet: 2 dager
    • Språk: Engelsk
    • Nivå: Avansert
    • Eksamen: ECRC
    Kursdetaljer Dette produktet har flere varianter. Alternativene kan velges på produktsiden
    Datoer og detaljer
    Mestring av kommunikasjon og presentasjonsteknikk...
    • Varighet: 5 dager
    • Språk: Dansk
    • Nivå: Mellom
    • Eksamen: MCPT
    Kursdetaljer Dette produktet har flere varianter. Alternativene kan velges på produktsiden
    Datoer og detaljer