Rozšířené vyhledávání

DP-100 Návrh a implementace řešení Data Science v prostředí Azure Tisk

Získáte potřebné znalosti o tom, jak používat služby Azure pro vývoj, učení a nasazení řešení strojového učení. Kurz začíná přehledem služeb Azure, které podporují data science. Odtud se zaměřuje na využití služby data science v Azure, služby Azure Machine Learning, za účelem automatizace data science.

Kurz akreditovaný pro DVPP

Délka kurzu: 3 dny (8:30 - 16:00)

Termíny

Termín MístoJazykCena (bez DPH)Dostupnost
7. 10. 2020 - 9. 10. 2020 Praha cs 21 800 Kč Volný termín
7. 12. 2020 - 9. 12. 2020 Praha cs 21 800 Kč Volný termín
PDF ke stažení Rozbalit všeSbalit vše
  • Absolvent kurzu bude umět

    • popsat data science proces a roli data scientist
    • jak využít  Azure Machine Learning k automatizaci data science procesů
    • popsat a využít machine learning pipeline a jak služba Azure Machine Learning může automatizovat procesy
    • popsat jak automaticky spravovat a monitorovat machine learning modely pomocí služby Azure Machine Learning
  • Požadavky pro absolvování kurzu

    • Základy prostředí Azure.
    • Základy jazyka Python.
    • Základy data science.
  • Kurz určen pro

    Data profesionály, data architekty, developery a business intelligence profesionály, kteří se chtějí zorientovat v data platformě prostředí Microsoft Azure.

  • Literatura

    Všichni účastníci školení obdrží originál studijních certifikovaných materiálů Microsoft.

  • Technické vybavení

    Prostorné učebny jsou vybaveny nadstandardními počítači s možností přístupu na Internet, včetně bezdrátového přístupu.

  • Osnova

    Modul 1: Introduction to Azure Machine Learning

    • Kapitola: Getting Started with Azure Machine Learning
    • Kapitola: Azure Machine Learning Tools
    • Cvičení: Creating an Azure Machine Learning Workspace

    Modul 2: No-Code Machine Learning with Designer

    • Kapitola: Training Models with Designer
    • Kapitola: Publishing Models with Designer
    • Cvičení: Creating a Training Pipeline with the Azure ML Designer

    Modul 3: Running Experiments and Training Models

    • Kapitola: Introduction to Experiments
    • Kapitola: Training and Registering Models
    • Cvičení: Running Experiments

    Modul 4: Working with Data

    • Kapitola: Working with Datastores
    • Kapitola: Working with Datasets
    • Cvičení: Working with Datastores

    Modul 5: Compute Contexts

    • Kapitola: Working with Environments
    • Kapitola: Working with Compute Targets
    • Cvičení: Working with Environments

    Modul 6: Orchestrating Operations with Pipelines

    • Kapitola: Introduction to Pipelines
    • Kapitola: Publishing and Running Pipelines
    • Cvičení: Creating a Pipeline

    Modul 7: Deploying and Consuming Models

    • Kapitola: Real-time Inferencing
    • Kapitola: Batch Inferencing
    • Cvičení: Creating a Real-time Inferencing Service

    Modul 8: Training Optimal Models

    • Kapitola: Hyperparameter Tuning
    • Kapitola: Automated Machine Learning
    • Cvičení: Tuning Hyperparameters

    Modul 9: Interpreting Models

    • Kapitola: Introduction to Model Interpretation
    • Kapitola: Using Model Explainers
    • Cvičení: Reviewing Automated Machine Learning Explanations

    Modul 10: Monitoring Models

    • Kapitola: Monitoring Models with Application Insights
    • Kapitola: Monitoring Data Drift
    • Cvičení: Monitoring a Model with Application Insights
  • Návaznosti

    Business Intelligence

    Business Intelligence

    365

    365
OKsystem a.s.
Tento web používá k poskytování služeb a analýze návštěvnosti soubory cookie. Používáním těchto stránek s tím souhlasíte. Více informací