Microsoft DP-100 – Diseño e implementación de un Data Science Solución en Azure

Módulo 1: Introducción a Azure Aprendizaje automático

En este módulo, aprenderá cómo aprovisionar un Azure Espacio de trabajo de aprendizaje automático y utilícelo para administrar activos de aprendizaje automático, como datos, computación, código de entrenamiento de modelos, métricas registradas y modelos entrenados. Aprenderá a utilizar la plataforma web. Azure Interfaz de estudio de aprendizaje automático, así como la Azure SDK de aprendizaje automático y herramientas de desarrollo como Visual Studio Code y Jupyter Notebooks para trabajar con los activos de su espacio de trabajo.

Lecciones

• Empezar con Azure Aprendizaje automático
• Azure Herramientas de aprendizaje automático

Laboratorio: creación de un Azure Espacio de trabajo de aprendizaje automático

Laboratorio: Trabajar con Azure Herramientas de aprendizaje automático

Después de completar este módulo, podrá

• Aprovisionar un Azure Espacio de trabajo de aprendizaje automático
• Utilice herramientas y código para trabajar Azure Aprendizaje automático

Módulo 2: Aprendizaje automático sin código con Designer

Este módulo presenta la herramienta Designer, una interfaz de arrastrar y soltar para crear modelos de aprendizaje automático sin escribir ningún código. Aprenderá a crear un canal de capacitación que encapsule la preparación de datos y el entrenamiento de modelos, y luego convertirá ese canal de entrenamiento en un canal de inferencia que se puede usar para predecir valores a partir de nuevos datos, antes de implementar finalmente el canal de inferencia como un servicio para aplicaciones cliente que consume

Lecciones

• Modelos de entrenamiento con diseñadores
• Publicar modelos con Designer

Laboratorio: Creación de una capacitación Pipeline con el Azure Diseñador de aprendizaje automático

Laboratorio: Implementación de un servicio con el Azure Diseñador de aprendizaje automático

Después de completar este módulo, podrá

• Utilice el diseñador para entrenar un modelo de aprendizaje automático
• Implementar una canalización de Designer como servicio

Módulo 3: Ejecución de experimentos y modelos de entrenamiento

En este módulo, comenzará con experimentos que encapsulan el procesamiento de datos y el código de entrenamiento de modelos, y los utilizará para entrenar modelos de aprendizaje automático.

Lecciones

• Introducción a los experimentos
• Entrenamiento y Registro de Modelos

Laboratorio: ejecución de experimentos

Laboratorio: Entrenamiento y registro de modelos

Después de completar este módulo, podrá

• Ejecute experimentos basados ​​en código en un Azure Espacio de trabajo de aprendizaje automático
• Entrene y registre modelos de aprendizaje automático

Módulo 4: Trabajar con datos

Los datos son un elemento fundamental en cualquier carga de trabajo de aprendizaje automático, por lo que en este módulo aprenderá a crear y administrar almacenes y conjuntos de datos en un Azure Espacio de trabajo de Machine Learning y cómo usarlos en experimentos de entrenamiento de modelos.

Lecciones

• Trabajar con almacenes de datos
• Trabajar con conjuntos de datos

Laboratorio: trabajar con almacenes de datos

Laboratorio: Trabajar con conjuntos de datos

Después de completar este módulo, podrá

• Crear y consumir almacenes de datos
• Crear y consumir conjuntos de datos

Módulo 5: Contextos informáticos

Uno de los beneficios clave de la cloud es la capacidad de aprovechar los recursos informáticos bajo demanda y utilizarlos para escalar los procesos de aprendizaje automático hasta un punto que sería inviable en su propio hardware. En este módulo, aprenderá a administrar entornos de experimentos que garanticen una coherencia en el tiempo de ejecución de los experimentos y a crear y utilizar objetivos informáticos para las ejecuciones de experimentos.

Lecciones

• Trabajar con entornos
• Trabajar con destinos de proceso

Laboratorio: Trabajar con entornos

Laboratorio: trabajar con objetivos informáticos

Después de completar este módulo, podrá

• Crear y usar entornos.
• Crear y usar destinos de proceso

Módulo 6: Orquestación de operaciones con Pipelines

Ahora que comprende los conceptos básicos de la ejecución de cargas de trabajo como experimentos que aprovechan los activos de datos y los recursos computacionales, es momento de aprender a orquestar estas cargas de trabajo como canales de pasos conectados. Pipelines es clave para implementar una solución eficaz de operacionalización del aprendizaje automático (ML Ops) en Azure, por lo que explorará cómo definirlos y ejecutarlos en este módulo.

Lecciones

• Introducción a los Pipelines
• Publicación y ejecución Pipelines

Laboratorio: Creación de un Pipeline

Laboratorio: Publicación de un Pipeline

Después de completar este módulo, podrá

• Cree canalizaciones para automatizar flujos de trabajo de aprendizaje automático
• Publicar y ejecutar servicios de canalización

Módulo 7: Implementación y consumo de modelos

Los modelos están diseñados para ayudar en la toma de decisiones a través de predicciones, por lo que solo son útiles cuando se implementan y están disponibles para que los consuma una aplicación. En este módulo, aprenda a implementar modelos para la inferencia en tiempo real y para la inferencia por lotes.

Lecciones

• Inferencia en tiempo real
• Inferencia por lotes

Laboratorio: creación de un servicio de inferencia en tiempo real

Laboratorio: creación de un servicio de inferencia por lotes

Después de completar este módulo, podrá

• Publicar un modelo como un servicio de inferencia en tiempo real
• Publicar un modelo como un servicio de inferencia por lotes

Módulo 8: Entrenamiento de modelos óptimos

En esta etapa del curso, habrá aprendido el proceso de un extremo a otro para entrenar, implementar y consumir modelos de aprendizaje automático; pero ¿cómo puede asegurarse de que su modelo produzca los mejores resultados predictivos para sus datos? En este módulo, explorará cómo puede utilizar el ajuste de hiperparámetros y el aprendizaje automático automatizado para aprovechar cloud-calcule la escala y encuentre el mejor modelo para sus datos.

Lecciones

• Ajuste de hiperparámetros
• Aprendizaje automático automatizado

Laboratorio: Ajuste de hiperparámetros

Laboratorio: uso del aprendizaje automático automatizado

Después de completar este módulo, podrá

• Optimice los hiperparámetros para el entrenamiento de modelos
• Utilice el aprendizaje automático automatizado para encontrar el modelo óptimo para sus datos

Módulo 9: Interpretación de modelos

Muchas de las decisiones que toman las organizaciones y los sistemas automatizados hoy en día se basan en predicciones realizadas por modelos de aprendizaje automático. Es cada vez más importante poder comprender los factores que influyen en las predicciones realizadas por un modelo y poder determinar cualquier sesgo no deseado en el comportamiento del modelo. Este módulo describe cómo se pueden interpretar modelos para explicar cómo la importancia de las características determina sus predicciones.

Lecciones

• Introducción a la interpretación de modelos
• usando explicadores de modelos

Laboratorio: revisión de explicaciones del aprendizaje automático automatizado

Laboratorio: Interpretación de modelos

Después de completar este módulo, podrá

• Genere explicaciones de modelos con aprendizaje automático automatizado
• Use explicadores para interpretar modelos de aprendizaje automático

Módulo 10: Modelos de Monitoreo

Una vez implementado un modelo, es importante comprender cómo se utiliza en producción y detectar cualquier degradación en su eficacia debido a la deriva de datos. Este módulo describe técnicas para monitorear modelos y sus datos.

Lecciones

• Supervisión de modelos con Application Insights
• Supervisión de deriva de datos

Laboratorio: Monitoreo de un modelo con Application Insights

Laboratorio: Monitoreo de deriva de datos

Después de completar este módulo, podrá

• Use Application Insights para monitorear un modelo publicado
• Supervisar la deriva de datos