Dieser Kurs wurde aus dem Portfolio des Anbieters entfernt und durch folgenden ersetzt: Microsoft AI-300: Maschinelles Lernen und generative KI-Lösungen in die Praxis umsetzen .
Während des Kurses Microsoft DP-100 – Entwerfen und Implementieren von a Data Science Lösung auf Azure Vier Tage lang lernen die Teilnehmer, wie sie maßstabsgetreu mit Lösungen für maschinelles Lernen arbeiten cloud verwenden Azure Maschinelles Lernen.
In diesem Kurs lernen die Teilnehmer, wie sie ihre bereits vorhandenen Python-Kenntnisse nutzen können, um Daten zu verwalten, Modelle zu entwickeln und zu implementieren und Lösungen für maschinelles Lernen zu überwachen Microsoft Azure.
Dieser Kurs richtet sich an Datenwissenschaftler mit Kenntnissen in Python und Frameworks für maschinelles Lernen wie Scikit-Learn, PyTorch und Tensorflow, die Lösungen für maschinelles Lernen entwickeln möchten cloud.
Vor der Teilnahme an diesem Kurs muss der Student:
- über grundlegende Kenntnisse verfügen Microsoft Azure.
- Sie haben Erfahrung im Schreiben von Python-Code für die Arbeit mit Daten unter Verwendung von Bibliotheken wie Numpy, Pandas und Matplotlib.
- Datenwissenschaft verstehen; einschließlich der Vorbereitung von Daten und dem Trainieren von Modellen für maschinelles Lernen mithilfe von Bibliotheken für maschinelles Lernen wie Scikit-Learn, PyTorch oder Tensorflow.
Modul 1: Einführung in Azure Maschinelles lernen
In diesem Modul erfahren Sie, wie Sie eine bereitstellen Azure Arbeitsbereich für maschinelles Lernen und verwenden Sie ihn zum Verwalten von Assets für maschinelles Lernen wie Daten, Rechenleistung, Modelltrainingscode, protokollierte Metriken und trainierte Modelle. Sie erlernen den Umgang mit dem webbasierten Azure Machine Learning Studio-Schnittstelle sowie die Azure Machine Learning SDK und Entwicklertools wie Visual Studio Code und Jupyter Notebooks für die Arbeit mit den Assets in Ihrem Arbeitsbereich.
Programm
- Anfangen mit Azure Maschinelles lernen
- Azure Tools für maschinelles Lernen
Labor: Erstellen eines Azure Arbeitsbereich für maschinelles Lernen
Labor: Arbeiten mit Azure Tools für maschinelles Lernen
Nach Abschluss dieses Moduls sind Sie in der Lage
- Bereitstellung an Azure Arbeitsbereich für maschinelles Lernen
- Verwenden Sie Tools und Code zum Arbeiten Azure Maschinelles lernen
Modul 2: Maschinelles Lernen ohne Code mit Designer
In diesem Modul wird das Designer-Tool vorgestellt, eine Drag-and-Drop-Schnittstelle zum Erstellen von Modellen für maschinelles Lernen, ohne Code schreiben zu müssen. Sie erfahren, wie Sie eine Trainingspipeline erstellen, die Datenvorbereitung und Modelltraining kapselt, und diese Trainingspipeline dann in eine Inferenzpipeline umwandeln, mit der Werte aus neuen Daten vorhergesagt werden können, bevor Sie die Inferenzpipeline schließlich als Dienst für bereitstellen Clientanwendungen, die es nutzt
Programm
- Trainingsmodelle mit Designern
- Veröffentlichen von Modellen mit Designer
Labor: Erstellung eines Trainingsprogramms Pipeline an. Nach der Installation können Sie HEIC-Dateien mit der Azure ML-Designer
Labor: Bereitstellen eines Dienstes mit dem Azure ML-Designer
Nach Abschluss dieses Moduls sind Sie in der Lage
- Verwenden Sie den Designer, um ein Modell für maschinelles Lernen zu trainieren
- Stellen Sie eine Designer-Pipeline als Dienst bereit
Modul 3: Laufende Experimente und Trainingsmodelle
In diesem Modul beginnen Sie mit Experimenten, die Datenverarbeitungs- und Modelltrainingscode kapseln und diese zum Trainieren von Modellen für maschinelles Lernen verwenden.
Programm
- Einführung in Experimente
- Modelle trainieren und registrieren
Labor: Experimente durchführen
Labor: Modelle trainieren und registrieren
Nach Abschluss dieses Moduls sind Sie in der Lage
- Führen Sie codebasierte Experimente in einem aus Azure Arbeitsbereich für maschinelles Lernen
- Trainieren und registrieren Sie Modelle für maschinelles Lernen
Modul 4: Arbeiten mit Daten
Daten sind ein grundlegendes Element in jeder Workload für maschinelles Lernen. In diesem Modul erfahren Sie, wie Sie Datenspeicher und Datensätze in einem erstellen und verwalten Azure Arbeitsbereich für maschinelles Lernen und deren Verwendung in Modelltrainingsexperimenten.
Programm
- Arbeiten mit Datenspeichern
- Arbeiten mit Datensätzen
Labor: Arbeiten mit Datenspeichern
Labor: Arbeiten mit Datensätzen
Nach Abschluss dieses Moduls sind Sie in der Lage
- Erstellen und nutzen Sie Datenspeicher
- Erstellen und nutzen Sie Datensätze
Modul 5: Kontexte berechnen
Einer der wichtigsten Vorteile des cloud ist die Fähigkeit, Rechenressourcen bei Bedarf zu nutzen und sie zu nutzen, um maschinelle Lernprozesse in einem Ausmaß zu skalieren, das auf Ihrer eigenen Hardware nicht möglich wäre. In diesem Modul erfahren Sie, wie Sie Experimentumgebungen verwalten, die eine konsistente Laufzeitkonsistenz für Experimente gewährleisten, und wie Sie Rechenziele für Experimentläufe erstellen und verwenden.
Programm
- Arbeiten mit Umgebungen
- Arbeiten mit Rechenzielen
Labor: Arbeiten mit Umgebungen
Labor: Arbeiten mit Rechenzielen
Nach Abschluss dieses Moduls sind Sie in der Lage
- Umgebungen erstellen und verwenden
- Computeziele erstellen und verwenden
Modul 6: Orchestrierung von Operationen mit Pipelines
Nachdem Sie nun die Grundlagen für die Ausführung von Workloads als Experimente verstanden haben, die Datenbestände und Rechenressourcen nutzen, ist es an der Zeit zu lernen, wie Sie diese Workloads als Pipelines verbundener Schritte orchestrieren können. Pipelines ist der Schlüssel zur Implementierung einer effektiven Lösung für die Operationalisierung von maschinellem Lernen (ML Ops) in AzureDaher erfahren Sie in diesem Modul, wie Sie sie definieren und ausführen.
Programm
- Einführung in die Pipelines
- Veröffentlichung und Betrieb Pipelines
Labor: Erstellen eines Pipeline
Labor: Veröffentlichung eines Pipeline
Nach Abschluss dieses Moduls sind Sie in der Lage
- Erstellen Sie Pipelines, um Workflows für maschinelles Lernen zu automatisieren
- Veröffentlichen und Ausführen von Pipelinediensten
Modul 7: Bereitstellen und Verwenden von Modellen
Modelle sollen die Entscheidungsfindung durch Vorhersagen unterstützen, daher sind sie nur nützlich, wenn sie bereitgestellt werden und für eine Anwendung verfügbar sind. In diesem Modul erfahren Sie, wie Sie Modelle für Echtzeit-Inferenzen und für Batch-Inferenzen bereitstellen.
Programm
- Echtzeit-Inferenz
- Batch-Inferenz
Labor: Erstellen eines Echtzeit-Inferenzdienstes
Labor: Erstellen eines Batch-Inferenzdienstes
Nach Abschluss dieses Moduls sind Sie in der Lage
- Veröffentlichen Sie ein Modell als Echtzeit-Inferenzdienst
- Veröffentlichen Sie ein Modell als Batch-Inferenzdienst
Modul 8: Training optimaler Modelle
In dieser Phase des Kurses haben Sie den End-to-End-Prozess zum Trainieren, Bereitstellen und Nutzen von Modellen für maschinelles Lernen kennengelernt. Aber wie stellen Sie sicher, dass Ihr Modell die besten Vorhersageergebnisse für Ihre Daten liefert? In diesem Modul erfahren Sie, wie Sie Hyperparameter-Tuning und automatisiertes maschinelles Lernen nutzen können, um davon zu profitieren cloud- Berechnen Sie den Maßstab und finden Sie das beste Modell für Ihre Daten.
Programm
- Hyperparameter-Tuning
- Automatisiertes maschinelles Lernen
Labor: Hyperparameter optimieren
Labor: Verwendung von automatisiertem maschinellem Lernen
Nach Abschluss dieses Moduls sind Sie in der Lage
- Optimieren Sie Hyperparameter für das Modelltraining
- Verwenden Sie automatisiertes maschinelles Lernen, um das optimale Modell für Ihre Daten zu finden
Modul 9: Modelle interpretieren
Viele der Entscheidungen, die heute von Organisationen und automatisierten Systemen getroffen werden, basieren auf Vorhersagen von Modellen des maschinellen Lernens. Es wird immer wichtiger, die Faktoren zu verstehen, die die Vorhersagen eines Modells beeinflussen, und etwaige unbeabsichtigte Verzerrungen im Verhalten des Modells feststellen zu können. In diesem Modul wird beschrieben, wie Sie Modelle interpretieren können, um zu erklären, wie die Merkmalswichtigkeit ihre Vorhersagen bestimmt.
Programm
- Einführung in die Modellinterpretation
- Verwendung von Modellerklärern
Labor: Überprüfung von Erklärungen zum automatisierten maschinellen Lernen
Labor: Modelle interpretieren
Nach Abschluss dieses Moduls sind Sie in der Lage
- Generieren Sie Modellerklärungen mit automatisiertem maschinellem Lernen
- Verwenden Sie Erklärer, um Modelle für maschinelles Lernen zu interpretieren
Modul 10: Überwachungsmodelle
Nachdem ein Modell bereitgestellt wurde, ist es wichtig zu verstehen, wie das Modell in der Produktion verwendet wird, und etwaige Verschlechterungen seiner Wirksamkeit aufgrund von Datendrift zu erkennen. Dieses Modul beschreibt Techniken zur Überwachung von Modellen und deren Daten.
Programm
- Überwachen von Modellen mit Application Insights
- Überwachung von Datendrift
Labor: Überwachen eines Modells mit Application Insights
Labor: Datendrift-Überwachung
Nach Abschluss dieses Moduls sind Sie in der Lage
- Verwenden Sie Application Insights, um ein veröffentlichtes Modell zu überwachen
- Datendrift überwachen
Dieser Kurs bereitet die Studierenden auf die Prüfung vor Microsoft DP-100.
Microsoft DP-100 – Entwerfen und Implementieren von a Data Science Lösung auf Azure
Kursdetails
FAQ-Kurs Microsoft DP-100
Wie kann eine Zertifizierung erfolgen? Microsoft DP-100 hilft einem Unternehmen, effektive Lösungen zu implementieren data science în Azure?
Die DP-100-Zertifizierung bereitet Mitarbeiter auf die Entwicklung und Implementierung vollständiger Lösungen vor data science verwenden Azure Maschinelles Lernen. Dies ermöglicht den Aufbau effektiver Vorhersagemodelle, das Datenmanagement und die Anwendung fortschrittlicher Algorithmen, wodurch Entscheidungsprozesse optimiert und die Analysekapazität des Unternehmens verbessert werden.
Welche Fähigkeiten erwerben Mitarbeiter durch die DP-100-Zertifizierung, die zur Optimierung der Datenanalyse im Unternehmen beitragen?
Die Mitarbeiter lernen, Daten im großen Maßstab zu verwalten und aufzubereiten, Modelle für maschinelles Lernen zu erstellen und zu trainieren sowie Datenlösungen zu implementieren data science Verwendung Azure. Diese Fähigkeiten ermöglichen eine erweiterte Datenanalyse und die Erstellung von Vorhersagemodellen, die Geschäftsprozesse optimieren und die datengesteuerte Entscheidungsfindung verbessern können.
Wie kann die DP-100-Zertifizierung dazu beitragen, die Entscheidungsfindung im Unternehmen zu verbessern?
DP-100 hilft bei der Entwicklung und Implementierung datengesteuerter Vorhersagemodelle, die wertvolle Erkenntnisse für strategische Entscheidungen liefern können. Dies ermöglicht es dem Unternehmen, maschinelles Lernen zu nutzen, um Trends zu antizipieren, Prozesse zu optimieren und Geschäftsergebnisse durch Entscheidungen auf der Grundlage genauer Analysen zu verbessern.
Was sind die wichtigsten Technologien und Dienstleistungen? Azure Welche Themen werden in der DP-100-Zertifizierung abgedeckt und welche Relevanz haben sie für das Unternehmen?
Die DP-100-Zertifizierung deckt wesentliche Technologien und Dienste ab, wie z Azure Maschinelles Lernen, Azure Datenbausteine, Azure Synapse Analytics und Datenmanagement. Diese Dienste ermöglichen eine groß angelegte Datenerfassung, -verarbeitung und -analyse und unterstützen Vorhersagemodelle und maschinelle Lernlösungen, die unsere Geschäftsleistung und -effizienz verbessern.
Warum wird mir diese Seite angezeigt?
Dieser Kurs wird empfohlen, da Ihre Suchanfragen Begriffe enthalten wie: dp100, mslearn dp100, microsoft azure Datenwissenschaftler Associate dp 100, azure Data Scientist Associate dp 100, dp 100 Lernpfad, azure Datenwissenschaftler Associate dp100, microsoft dp100, azure Datenwissenschaftler DP 100, DP 100 Kurs, azure dp 100, dp 100 microsoft, azure dp 100-Kurs, dp100-Zertifizierung, dp 100 azure, microsoft azure Data Scientist Associate DP 100 Berufszertifikat, DP 100 azure Datenwissenschaftler, microsoft lerne dp 100, dp 100 azure Associate Data Scientist, azure dp 100-Zertifizierung, dp 100-Zertifikat oder andere.
