Der Inhalt dieses Intensive Trainings leitet sich aus der Prüfung «DP-100: Designing and Implementing a Data Science Solution on Azure» ab. Beginnen Sie schon jetzt auf Microsoft Learn mit der Vorbereitung auf den Kurs und nutzen Sie den Learning Support, wenn Sie Fragen haben. Während den intensiven Trainingstagen mit unseren Trainern arbeiten Sie mit den offiziellen Microsoft-Kursunterlagen (mehr Informationen unter «Methodik & Didaktik»).
Modul 1: Einführung in Azure Machine Learning
In diesem Modul lernen Sie, wie man einen Azure-Machine-Learning-Arbeitsbereich bereitstellt und diesen zur Verwaltung von maschinellen Lernmitteln wie Daten, Berechnungen, Modell-Trainingscode, protokollierten Metriken und trainierten Modellen verwendet. Sie werden lernen, wie Sie die webbasierte Azure-Machine-Learning-Studio-Schnittstelle sowie das Azure Machine Learning SDK und Entwicklerwerkzeuge wie Visual Studio Code und Jupyter Notebooks verwenden, um mit den Assets in Ihrem Arbeitsbereich zu arbeiten.
Lektionen
Übung : Erstellen eines Azure-Machine-Learning-Arbeitsbereichs
Übung : Arbeiten mit Azure Machine Learning Tools
Modul 2: No-Code Machine Learning mit Designer
In diesem Modul wird das Werkzeug Designer vorgestellt, eine Drag-and-Drop-Schnittstelle zur Erstellung von maschinellen Lernmodellen ohne das Schreiben von Code. Sie lernen, wie Sie eine Schulungspipeline erstellen, die Datenvorbereitung und Modellschulung kapselt, und diese Schulungspipeline dann in eine Inferenz-Pipeline umwandeln, die zur Vorhersage von Werten aus neuen Daten verwendet werden kann, bevor Sie die Inferenz-Pipeline schliesslich als Dienst für Client-Anwendungen zur Nutzung bereitstellen.
Lektionen
Übung : Erstellen einer Trainingspipeline mit dem Azure ML Designer
Übung : Bereitstellen eines Dienstes mit dem Azure ML Designer
Modul 3: Durchführung von Experimenten und Trainingsmodellen
In diesem Modul beginnen Sie mit Experimenten, die die Datenverarbeitung kapseln und Trainingscode modellieren, und verwenden diese, um Modelle des maschinellen Lernens zu trainieren.
Lektionen
Übung : Experimente durchführen
Übung : Trainieren und Registrieren von Modellen
Modul 4: Arbeiten mit Daten
Daten sind ein grundlegendes Element jedes Workloads beim maschinellen Lernen. In diesem Modul lernen Sie daher, wie man Datenspeicher und Datensätze in einem Azure-Machine-Learning-Arbeitsbereich erstellt und verwaltet und wie man sie in Modell-Trainingsexperimenten verwendet.
Lektionen
Übung : Arbeiten mit Datenspeichern
Übung : Arbeiten mit Datensätzen
Modul 5: Compute-Kontexte
Einer der Hauptvorteile der Cloud ist die Möglichkeit, Rechenressourcen nach Bedarf zu nutzen und damit maschinelle Lernprozesse in einem Ausmass zu skalieren, das auf eigener Hardware nicht realisierbar wäre. In diesem Modul lernen Sie, wie Sie Experimentierumgebungen verwalten, die eine konsistente Laufzeitkonsistenz für Experimente gewährleisten, und wie Sie Compute-Targets für Experimentläufe erstellen und verwenden.
Lektionen
Übung : Arbeiten mit Umgebungen
Übung : Arbeiten mit Compute Targets
Modul 6: Orchestrieren von Operationen mit Pipelines
Jetzt, da Sie die Grundlagen der Ausführung von Workloads als Experimente verstehen, die Datenbestände nutzen und Ressourcen berechnen, ist es an der Zeit zu lernen, wie Sie diese Workloads als Pipelines miteinander verbundener Schritte orchestrieren können. Pipelines sind der Schlüssel zur Implementierung einer effektiven Machine-Learning-Operationalization-Lösung (ML-Ops) in Azure, daher werden Sie in diesem Modul untersuchen, wie sie definiert und ausgeführt werden können.
Lektionen
Übung : Eine Pipeline erstellen
Übung : Eine Pipeline veröffentlichen
Modul 7: Bereitstellen und Verwenden von Modellen
Modelle sollen die Entscheidungsfindung durch Vorhersagen unterstützen, daher sind sie nur dann nützlich, wenn sie eingesetzt werden und für eine Anwendung zur Verfügung stehen, die verbraucht wird. In diesem Modul lernen Sie, wie Modelle für Echtzeit-Inferenzierung und für Batch-Inferenzierung eingesetzt werden können.
Lektionen
Übung : Einen Echtzeit-Inferenzdienst erstellen
Übung : Einen Batch-Inferenzdienst erstellen
Modul 8: Ausbildung optimaler Modelle
In dieser Phase des Kurses haben Sie den End-to-End-Prozess für die Schulung, den Einsatz und die Nutzung von maschinellen Lernmodellen kennengelernt; wie aber stellen Sie sicher, dass Ihr Modell die besten Vorhersage-Ergebnisse für Ihre Daten liefert? In diesem Modul untersuchen Sie, wie Sie Hyperparameter-Tuning und automatisiertes maschinelles Lernen einsetzen können, um die Vorteile der Cloud-Scale-Berechnung zu nutzen und das beste Modell für Ihre Daten zu finden.
Lektionen
Übung : Abstimmung von Hyperparametern
Übung : Automatisiertes maschinelles Lernen anwenden
Modul 9: Modelle interpretieren
Viele der Entscheidungen, die heute von Organisationen und automatisierten Systemen getroffen werden, basieren auf Vorhersagen, die von Modellen des maschinellen Lernens gemacht werden. Es wird immer wichtiger, die Faktoren zu verstehen, die die von einem Modell gemachten Vorhersagen beeinflussen, und in der Lage zu sein, alle unbeabsichtigten Verzerrungen im Verhalten des Modells zu bestimmen. Dieses Modul beschreibt, wie Sie Modelle interpretieren können, um zu erklären, wie die Wichtigkeit von Merkmalen ihre Vorhersagen bestimmt.
Lektionen
Übung : Erläuterungen zum automatisierten maschinellen Lernen überprüfen
Übung : Modelle interpretieren
Modul 10: Überwachungsmodelle
Nach dem Einsatz eines Modells ist es wichtig zu verstehen, wie das Modell in der Produktion eingesetzt wird, und jede Beeinträchtigung seiner Wirksamkeit aufgrund von Datenabweichungen zu erkennen. Dieses Modul beschreibt Techniken zur Überwachung von Modellen und ihrer Daten.
Lektionen
Übung : Überwachung eines Modells mit Application Insights
Übung : Überwachung des Datendrifts
Digicomp Blended-Learning-Ansatz:
Die Teilnehmer wenden wissenschaftliche Methoden und Datenerkundungstechniken an, um umsetzbare Erkenntnisse zu gewinnen und die Ergebnisse an die Interessengruppen weiterzugeben. Sie nutzen maschinelle Lerntechniken, um Modelle zu trainieren, zu bewerten und einzusetzen, um KI-Lösungen zu entwickeln, die den Geschäftszielen entsprechen. Darüber hinaus verwenden sie Anwendungen, die die Verarbeitung natürlicher Sprache, Computer Vision und prädiktive Analytik beinhalten.
Die Teilnehmer arbeiten in einem multidisziplinären Team, das ethische, private und Governance-Aspekte in die Lösung einbezieht.
Die Teilnehmer haben typischerweise einen Hintergrund in Mathematik, Statistik und Informatik.
Dieses Intensive Training bereitet Sie vor auf: