Наши контакты

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

Подходит? Подать заявку на этот курс