Návrh a implementace řešení Data Science v prostředí Azure

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

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

  Všechny učebny jsou vybaveny nadstandardními počítači připojenými k Internetu, učebny jsou prostorné, klimatizované, bezbariérové a s připojením na Wi-Fi. V případě zájmu lze školení absolvovat online live.

• 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