Valitse sivuston käyttötapa: Mobiili

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

Corellia Helsinki Oy
Yhteenveto
3 päivää
   
Helsinki, Verkossa
Koulutus
Corellia

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

Tällä kurssilla opit miten teet koneoppimista käyttäen Azuren eri palveluita.

Kurssilla käydään läpi Azure Machine Learning -palvelua, jossa tehdään mallinnuksia ilman koodia käyttäen Machine Learning Designeria.  Samalla opitaan myös miten Jupyter Notebookeja tehdään Visual Studio Codea käyttäen.

Lisäksi tutustutaan ML Pipelineen ja käydään läpi miten valitaan oikea malli, mallin kouluttaminen sekä mallin tulosten tulkitseminen.

Opitaan myöskin miten valmis koulutettu malli siirretään tuotantoon ja miten sen toimintoa voidaan monitoroida.

Koulutus valmistaa Microsoftin viralliseen sertifiointitestiin DP-100: Designing and Implementing a Data Science Solution on Azure. Suoritettava sertifointi on Microsoft Certified: Azure Data Scientist Associate.

Kurssin sisältö

Module 1: Introduction to Azure Machine Learning

In this module, you will learn how to provision an Azure Machine Learning workspace and use it to manage machine learning assets such as data, compute, model training code, logged metrics, and trained models. You will learn how to use the web-based Azure Machine Learning studio interface as well as the Azure Machine Learning SDK and developer tools like Visual Studio Code and Jupyter Notebooks to work with the assets in your workspace.

  • Getting Started with Azure Machine Learning
  • Azure Machine Learning Tools

Module 2: No-Code Machine Learning with Designer

This module introduces the Designer tool, a drag and drop interface for creating machine learning models without writing any code. You will learn how to create a training pipeline that encapsulates data preparation and model training, and then convert that training pipeline to an inference pipeline that can be used to predict values from new data, before finally deploying the inference pipeline as a service for client applications to consume.

  • Training Models with Designer
  • Publishing Models with Designer

Module 3: Running Experiments and Training Models

In this module, you will get started with experiments that encapsulate data processing and model training code, and use them to train machine learning models.

  • Introduction to Experiments
  • Training and Registering Models

Module 4: Working with Data

Data is a fundamental element in any machine learning workload, so in this module, you will learn how to create and manage datastores and datasets in an Azure Machine Learning workspace, and how to use them in model training experiments.

  • Working with Datastores
  • Working with Datasets

Module 5: Compute Contexts

One of the key benefits of the cloud is the ability to leverage compute resources on demand, and use them to scale machine learning processes to an extent that would be infeasible on your own hardware. In this module, you’ll learn how to manage experiment environments that ensure consistent runtime consistency for experiments, and how to create and use compute targets for experiment runs.

  • Working with Environments
  • Working with Compute Targets

Module 6: Orchestrating Operations with Pipelines

Now that you understand the basics of running workloads as experiments that leverage data assets and compute resources, it’s time to learn how to orchestrate these workloads as pipelines of connected steps. Pipelines are key to implementing an effective Machine Learning Operationalization (ML Ops) solution in Azure, so you’ll explore how to define and run them in this module.

  • Introduction to Pipelines
  • Publishing and Running Pipelines

Module 7: Deploying and Consuming Models

Models are designed to help decision making through predictions, so they’re only useful when deployed and available for an application to consume. In this module learn how to deploy models for real-time inferencing, and for batch inferencing.

  • Real-time Inferencing
  • Batch Inferencing

Module 8: Training Optimal Models

By this stage of the course, you’ve learned the end-to-end process for training, deploying, and consuming machine learning models; but how do you ensure your model produces the best predictive outputs for your data? In this module, you’ll explore how you can use hyperparameter tuning and automated machine learning to take advantage of cloud-scale compute and find the best model for your data.

  • Hyperparameter Tuning
  • Automated Machine Learning

Module 9: Interpreting Models

Many of the decisions made by organizations and automated systems today are based on predictions made by machine learning models. It’s increasingly important to be able to understand the factors that influence the predictions made by a model, and to be able to determine any unintended biases in the model’s behavior. This module describes how you can interpret models to explain how feature importance determines their predictions.

  • Introduction to Model Interpretation
  • using Model Explainers

Module 10: Monitoring Models

After a model has been deployed, it’s important to understand how the model is being used in production, and to detect any degradation in its effectiveness due to data drift. This module describes techniques for monitoring models and their data.

  • Monitoring Models with Application Insights
  • Monitoring Data Drift

Kiinnostuitko koulutuksesta?

Jos haluat lisätietoa aiheesta DP-100: Designing and Implementing a Data Science Solution on Azure, klikkaa alta ja täytä yhteydenottolomake. Kysymyksesi lähetetään suoraan koulutuksen järjestäjälle.

Kohderyhmä

Kurssi on tarkoitettu data scientisteille.

Kurssin käyminen edellyttää Pythonin perusteiden osaamista sekä tuntemusta koneoppimisen eri kirjastoista, kuten Scikit-Learn, PyTorch ja Tensorflow.

Kouluttaja

Kim Pihlström, Microsoft Certified Trainer. Kim on kokenut Azure kehittäjä ja kouluttaja joka on yli 10 vuoden aikana toiminut konsulttina asiakkaille ja rakentanut lukuisia räätälöityjä ratkaisuja käyttäen Microsoft palveluita ja alustoja, mm. Azure ja Microsoft 365. Asiantuntijana Kimiä kiinnostaa erityisen paljon toimivan arkkitehtuurin suunnitteleminen sekä ratkaisujen toteuttaminen joka palvelee asiakkaan kaikki tarpeet.

Kustannukset

1890 € + alv 24 %

Corellia Helsinki Oy

Kaikki Adobe-monimediaosaaminen sekä Microsoft-teknologioiden koulutukset samasta osoitteesta

Corellia on julkaisu-, viestintä-,   ja markkinointityötä tekevien sekä ICT-asiantuntijoiden ja raportoinnin ammattilaisten koulutus-, konsultointi- ja avunantokumppani. Corellia on Microsoftin kultakumppani ja Adoben sertifioima koulutuskumppani, jonka lisäksi Corellia auttaa asiakkaita WordPressin, web-suunnittelun ja tekniikoiden, videon ja animaation, digimarkkinoinnin sekä viimeisimpänä verkkopalveluiden...


Lue lisää kouluttajasta Corellia Helsinki Oy ja katso koulutustarjonta täältä

Yhteydenottopyyntö

Haluatko tietää lisää koulutuksesta DP-100: Designing and Implementing a Data Science Solution on Azure? Täytä yhteystietosi, niin koulutuksen järjestäjä ottaa sinuun yhteyttä.

Yhteystiedot : Corellia Helsinki Oy

Corellia Helsinki Oy

Vuorikatu 20 A
00100 Helsinki

 Näytä puhelinnumero
corellia.fi

Arvioinnit
Arvioinnit
Arvioi tämä koulutus ensimmäisenä.

Arvioinnit kouluttajasta
(4,7)
Perustuu 422 arviointiin
Näytä kouluttajan kaikki arvioinnit
Ota yhteyttä

Saadaksesi lisätietoa aiheesta DP-100: Designing and Implementing a Data Science Solution on Azure täytä seuraavat tiedot: