Train and Deploy a Machine Learning Model with Azure Machine Learning – Intensive Training («DP3X7»)

• Zugreifen auf Daten mit Hilfe von Uniform Resource Identifiers (URIs)
• Verbinden zu Cloud-Datenquellen mit Datenspeichern
• Verwenden von Daten-Assets für den Zugriff auf bestimmte Dateien oder Verzeichnisse
• Auswählen des geeigneten Rechenziels und Arbeit mit Recheninstanzen und Clustern
• Verwalten installierter Pakete mit Umgebungen
• Verstehen von Umgebungen in Azure Machine Learning
• Untersuchen und Verwenden von kuratierten, Erstellen und Verwenden von benutzerdefinierten Umgebungen
• Konvertieren eines Notizbuchs in ein Skript
• Testen von Skripten in einem Terminal, Ausführen eines Skripts als Befehlsjob und Verwendung von Parametern

Um ein Machine-Learning-Modell mit Azure Machine Learning zu trainieren, müssen Sie Daten verfügbar machen und das entsprechende Compute konfigurieren. Nachdem Sie Ihre Modell- und Nachverfolgungsmodell-Metriken mit MLflow trainiert haben, können Sie ihr Modell für Echtzeitvorhersagen auf einem Online-Endpunkt bereitstellen.
In diesem Modul erfahren Sie, wie Sie Ihren Azure-Machine-Learning-Arbeitsbereich einrichten und wie Sie dann ein Machine-Learning-Modell trainieren und verwalten.

1 Verfügbarmachen von Daten in Azure Machine Learning
Erfahren Sie, wie Sie im Azure-Machine-Learning-Arbeitsbereich eine Verbindung mit Daten herstellen. Sie erhalten eine Einführung in Datenspeicher und -ressourcen.

2 Arbeiten mit Compute-Zielen in Azure Machine Learning
Erfahren Sie, wie Sie mit Computezielen in Azure Machine Learning arbeiten. Mithilfe von Computezielen können Sie Ihre Machine Learning-Workloads ausführen. Erfahren Sie, wie und wann Sie eine Computeinstanz oder einen Computecluster verwenden können.

3 Verwenden von Umgebungen in Azure Machine Learning
Erfahren Sie, wie Sie Umgebungen in Azure Machine Learning verwenden, um Skripts auf einem beliebigen Computeziel auszuführen.

4 Ausführen eines Trainingsskripts als Befehlsauftrag in Azure Machine Learning
Erfahren Sie, wie Sie Ihren Code in ein Skript konvertieren und als Befehlsauftrag in Azure Machine Learning ausführen.

5 Nachverfolgen des Modelltrainings mit MLflow in Aufträgen
Erfahren Sie, wie Sie das Modelltraining mit MLflow in Aufträgen beim Ausführen von Skripts nachverfolgen.

6 Registrieren eines MLflow-Modells in Azure Machine Learning
Erfahren Sie, wie Sie ein Modell in Azure Machine Learning protokollieren und registrieren.

7 Bereitstellen eines Modells auf einem verwalteten Online-Endpunkt
Hier erfahren Sie, wie Sie Modelle auf einem verwalteten Online-Endpunkt bereitstellen, um Rückschlüsse in Echtzeit zu ziehen.

Dieser Kurs richtet sich an Data Scientists.

Für die Teilnahme an diesem Kurs gibt es keine Voraussetzungen. Grundlegende technische IT-Erfahrung und einige allgemeine IT-Kenntnisse oder Erfahrungen sind von Vorteil.