Kurs
digicode: DP100
Microsoft Azure Data Scientist Associate – Intensive Training (DP-100)
DP-100
Kurs-Facts
- Auswählen und Einrichten einer Entwicklungsumgebung
- Quantifizieren des Geschäftsproblems
- Umwandeln von Daten in brauchbare Datensätze
- Durchführen der explorativen Datenanalyse (EDA)
- Bereinigen und Transformieren von Daten
- Durchführen der Merkmalsextraktion und -auswahl
- Auswählen eines algorithmischen Ansatzes
- Aufteilen von Datensätzen
- Identifizieren von Datenungleichgewichten
- Trainieren des Modells
- Bewerten der Modellleistung
Der Inhalt dieses Intensive Trainings leitet sich aus der Prüfung «DP-100: Designing and Implementing a Data Science Solution on Azure» ab. Beginne schon jetzt auf Microsoft Learn mit der Vorbereitung auf den Kurs und nutze den Learning Support, wenn du Fragen hast. Während den intensiven Trainingstagen mit unseren Trainern arbeitest du mit den offiziellen Microsoft-Kursunterlagen (mehr Informationen unter «Methodik & Didaktik»).
Modul 1: Einführung in Azure Machine Learning
In diesem Modul lernst du, 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. Du wirst lernen, wie du die webbasierte Azure-Machine-Learning-Studio-Schnittstelle sowie das Azure Machine Learning SDK und Entwicklerwerkzeuge wie Visual Studio Code und Jupyter Notebooks verwendest, um mit den Assets in Ihrem Arbeitsbereich zu arbeiten.
Lektionen
- Erste Schritte mit Azure Machine Learning
- Azure-Werkzeuge für maschinelles Lernen
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. Du lernst, wie du eine Schulungspipeline erstellst, die Datenvorbereitung und Modellschulung kapselt, und diese Schulungspipeline dann in eine Inferenz-Pipeline umwandelst, die zur Vorhersage von Werten aus neuen Daten verwendet werden kann, bevor du die Inferenz-Pipeline schliesslich als Dienst für Client-Anwendungen zur Nutzung bereitstellst.
Lektionen
- Modelle mit Designer trainieren
- Modelle mit Designer veröffentlichen
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 beginnst du mit Experimenten, die die Datenverarbeitung kapseln und Trainingscode modellieren, und verwendest diese, um Modelle des maschinellen Lernens zu trainieren.
Lektionen
- Einführung in Experimente
- Trainieren und Registrieren von Modellen
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 lernst du daher, wie man Datenspeicher und Datensätze in einem Azure-Machine-Learning-Arbeitsbereich erstellt und verwaltet und wie man sie in Modell-Trainingsexperimenten verwendet.
Lektionen
- Arbeiten mit Datenspeichern
- Arbeiten mit Datensätzen
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 lernst du, wie du Experimentierumgebungen verwaltest, die eine konsistente Laufzeitkonsistenz für Experimente gewährleisten, und wie du Compute-Targets für Experimentläufe erstellst und verwendest.
Lektionen
- Arbeiten mit Umgebungen
- Arbeiten mit Compute Targets
Übung : Arbeiten mit Umgebungen
Übung : Arbeiten mit Compute Targets
Modul 6: Orchestrieren von Operationen mit Pipelines
Jetzt, da du die Grundlagen der Ausführung von Workloads als Experimente verstehst, die Datenbestände nutzt und Ressourcen berechnest, ist es an der Zeit zu lernen, wie du diese Workloads als Pipelines miteinander verbundener Schritte orchestrieren kannst. Pipelines sind der Schlüssel zur Implementierung einer effektiven Machine-Learning-Operationalization-Lösung (ML-Ops) in Azure, daher wirst du in diesem Modul untersuchen, wie sie definiert und ausgeführt werden können.
Lektionen
- Einführung in Pipelines
- Veröffentlichung und Betrieb von Pipelines
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 lernst du, wie Modelle für Echtzeit-Inferenzierung und für Batch-Inferenzierung eingesetzt werden können.
Lektionen
- Echtzeit-Inferenzierung
- Batch-Inferenzierung
Übung : Einen Echtzeit-Inferenzdienst erstellen
Übung : Einen Batch-Inferenzdienst erstellen
Modul 8: Ausbildung optimaler Modelle
In dieser Phase des Kurses hast du den End-to-End-Prozess für die Schulung, den Einsatz und die Nutzung von maschinellen Lernmodellen kennengelernt; wie aber stellst du sicher, dass dein Modell die besten Vorhersage-Ergebnisse für deine Daten liefert? In diesem Modul untersuchst du, wie du Hyperparameter-Tuning und automatisiertes maschinelles Lernen einsetzen kannst, um die Vorteile der Cloud-Scale-Berechnung zu nutzen und das beste Modell für deine Daten zu finden.
Lektionen
- Hyperparameter-Abstimmung
- Automatisiertes maschinelles Lernen
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 du Modelle interpretieren kannst, um zu erklären, wie die Wichtigkeit von Merkmalen ihre Vorhersagen bestimmt.
Lektionen
- Einführung in die Modellinterpretation
- Modell-Erklärer verwenden
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
- Modell-Überwachung mit Application Insights
- Überwachung des Datendrifts
Übung : Überwachung eines Modells mit Application Insights
Übung : Überwachung des Datendrifts
Digicomp Blended-Learning-Ansatz:
- Pre-Study: Sobald Sie das Training gebucht haben, erhalten Sie Zugang zu unserem exclusiven Learning Support und können sich mit dem Microsoft Learn Inhalten individuel in die Materie einarbeiten. Wir empfehlen den Inhalt einmal oberflächlich duchzugehen und an den Stellen wo viel Wissen fehlt etwas mehr Zeit zu investieren.
- After-Study: Nach dem Training haben Sie weitere 30 Tage Zugang zum Learning Support und können sich nach Bedarf noch weiter mit der Thematik befassen, um ein nachhaltiges Lernerlebnis zu ermöglichen.
- Learning Support: Mittels Foren haben Sie die Möglichkeit, jederzeit Fragen zu stellen und innert weniger Stunden einen Lösungsansatz zu erhalten, der Sie weiterbringen wird.
Die Teilnehmenden 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 Teilnehmenden arbeiten in einem multidisziplinären Team, das ethische, private und Governance-Aspekte in die Lösung einbezieht.
Die Teilnehmenden haben typischerweise einen Hintergrund in Mathematik, Statistik und Informatik.
Dieses Intensive Training bereitet dich vor auf:
- Prüfung: «DP-100: Designing and Implementing a Data Science Solution on Azure» für die
- Zertifizierung: «Microsoft Certified: Azure Data Scientist Associate»