Ezt a kurzust kivonták a szállító portfóliójából, és a következővel helyettesítették: Microsoft AI-300: Gépi tanulás és generatív mesterséges intelligencia megoldások működtetése .
A tanfolyam alatt Microsoft DP-100 – Tervezés és kivitelezés a Data Science Megoldás bekapcsolva Azure 4 napon keresztül a résztvevők megtanulják, hogyan dolgozhatnak nagyszabású gépi tanulási megoldásokkal cloud segítségével Azure Gépi tanulás.
Ez a kurzus megtanítja a hallgatóknak, hogyan használják a már meglévő Python-tudást az adatok kezelésére, modellek fejlesztésére és megvalósítására, valamint a gépi tanulási megoldások monitorozására. Microsoft Azure.
Ez a kurzus azoknak az adattudósoknak szól, akik ismerik a Pythont és a gépi tanulási keretrendszereket, például a Scikit-Learn, PyTorch és Tensorflow, akik gépi tanulási megoldásokat szeretnének építeni cloud.
A tanfolyamon való részvétel előtt a hallgatónak:
- alapvető ismeretekkel rendelkezik Microsoft Azure.
- tapasztalattal rendelkezik Python-kód írásában az adatokkal való együttműködéshez olyan könyvtárak használatával, mint a Numpy, Pandas és Matplotlib.
- megérteni az adattudományt; többek között az adatok előkészítése és a gépi tanulási modellek betanítása olyan gépi tanulási könyvtárak használatával, mint a Scikit-Learn, PyTorch vagy Tensorflow.
1. modul: Bevezetés a Azure Gépi tanulás
Ebben a modulban megtudhatja, hogyan kell létrehozni egy Azure Machine Learning munkaterületet, és használja a gépi tanulási eszközök, például adatok, számítások, modell betanítási kódok, naplózott mutatók és betanított modellek kezelésére. Megtanulod a web alapú használatát Azure A Machine Learning stúdió felülete, valamint a Azure Machine Learning SDK és fejlesztői eszközök, például a Visual Studio Code és a Jupyter Notebooks a munkaterületen lévő eszközökkel való együttműködéshez.
Tanulságok
- Az első lépések Azure Gépi tanulás
- Azure Gépi tanulási eszközök
Lab: Létrehozása egy Azure Gépi tanulási munkaterület
Lab: Munkavégzés Azure Gépi tanulási eszközök
A modul elvégzése után képes lesz arra
- Ellátás an Azure Gépi tanulási munkaterület
- Használjon eszközöket és kódot a munkához Azure Gépi tanulás
2. modul: Kód nélküli gépi tanulás tervezővel
Ez a modul bemutatja a Tervező eszközt, egy drag and drop felületet a gépi tanulási modellek létrehozásához kód írása nélkül. Megtanulja, hogyan lehet létrehozni egy oktatási folyamatot, amely magába foglalja az adat-előkészítést és a modell betanítást, majd ezt a tanítási folyamatot egy következtetési folyamattá alakíthatja, amely felhasználható az új adatokból származó értékek előrejelzésére, mielőtt a következtetési folyamatot végül szolgáltatásként telepítené. kliens alkalmazásokat fogyaszt
Tanulságok
- Modellek képzése tervezőkkel
- Modellek publikálása tervezővel
Labor: Tréning létrehozása Pipeline a ... val Azure ML tervező
Lab: Szolgáltatás telepítése a Azure ML tervező
A modul elvégzése után képes lesz arra
- Használjon tervezőt a gépi tanulási modell betanításához
- Telepítsen egy Designer folyamatot szolgáltatásként
3. modul: Kísérletek és képzési modellek futtatása
Ebben a modulban olyan kísérleteket kezdhet, amelyek az adatfeldolgozást és a modell betanítási kódot foglalják magukba, és ezeket a gépi tanulási modellek betanításához használja.
Tanulságok
- Bevezetés a kísérletekbe
- Modellek képzése és regisztrációja
Lab: Kísérletek futtatása
Lab: Modellek képzése és regisztrálása
A modul elvégzése után képes lesz arra
- Futtasson kódalapú kísérleteket egy Azure Gépi tanulási munkaterület
- Gépi tanulási modellek betanítása és regisztrálása
4. modul: Munka az adatokkal
Az adatok minden gépi tanulási terhelés alapvető elemei, ezért ebben a modulban megtudhatja, hogyan hozhat létre és kezelhet adattárakat és adatkészleteket Azure Machine Learning munkaterület, és hogyan lehet őket használni modellképzési kísérletekben.
Tanulságok
- Adattárolókkal való munka
- Adatkészletekkel való munka
Lab: Adattárak használata
Lab: Adatkészletekkel való munka
A modul elvégzése után képes lesz arra
- Adattárak létrehozása és felhasználása
- Adatkészletek létrehozása és felhasználása
5. modul: Kontextusok kiszámítása
Az egyik legfontosabb előnye a cloud az a képesség, hogy igény szerint kihasználja a számítási erőforrásokat, és használja azokat a gépi tanulási folyamatok olyan mértékű skálázására, amely a saját hardverén megvalósíthatatlan lenne. Ebben a modulban megtudhatja, hogyan kezelheti azokat a kísérleti környezeteket, amelyek biztosítják a kísérletek konzisztens futási idejű konzisztenciáját, és hogyan hozhat létre és használhat számítási célokat a kísérletek futtatásához.
Tanulságok
- Munka a környezetekkel
- Munkavégzés Compute Targets
Lab: Munka környezetekkel
Lab: Számítási célok használata
A modul elvégzése után képes lesz arra
- Környezetek létrehozása és használata
- Számítási célok létrehozása és használata
6. modul: Műveletek összehangolása Pipelines
Most, hogy már ismeri a számítási feladatok futtatásának alapjait olyan kísérletekként, amelyek az adatvagyont és a számítási erőforrásokat használják ki, itt az ideje megtanulni, hogyan hangolhatja össze ezeket a számítási feladatokat összekapcsolt lépések folyamataiként. Pipelinekulcsfontosságú egy hatékony gépi tanulási operacionalizációs (ML Ops) megoldás megvalósításához a Azure, így megtudhatja, hogyan határozhatja meg és futtathatja őket ebben a modulban.
Tanulságok
- Bevezetés a Pipelines
- Kiadás és futtatás Pipelines
Labor: Létrehozás Pipeline
Labor: Publikálás Pipeline
A modul elvégzése után képes lesz arra
- Hozzon létre folyamatokat a gépi tanulási munkafolyamatok automatizálásához
- Csővezetéki szolgáltatások közzététele és futtatása
7. modul: Modellek telepítése és felhasználása
A modelleket úgy tervezték, hogy az előrejelzéseken keresztül segítsék a döntéshozatalt, így csak akkor hasznosak, ha telepítve vannak, és egy alkalmazás számára elérhetőek. Ebben a modulban megtanulhatja, hogyan telepíthet modelleket a valós idejű következtetésekhez és a kötegelt következtetésekhez.
Tanulságok
- Valós idejű következtetés
- Kötegelt következtetés
Lab: Valós idejű következtetési szolgáltatás létrehozása
Lab: Kötegelt következtetési szolgáltatás létrehozása
A modul elvégzése után képes lesz arra
- Tegyen közzé egy modellt valós idejű következtetési szolgáltatásként
- Tegyen közzé egy modellt kötegelt következtetési szolgáltatásként
8. modul: Optimális modellek képzése
A tanfolyam ezen szakaszában megtanulta a gépi tanulási modellek betanításának, bevezetésének és felhasználásának teljes folyamatát; de hogyan biztosíthatja, hogy a modellje a legjobb prediktív kimeneteket adja az adatokhoz? Ebben a modulban megtudhatja, hogyan használhatja ki a hiperparaméter-hangolást és az automatizált gépi tanulást cloud- Számítsa ki a léptéket, és találja meg az adatok számára a legjobb modellt.
Tanulságok
- Hiperparaméter hangolás
- Automatizált gépi tanulás
Lab: Hiperparaméterek hangolása
Lab: Az automatizált gépi tanulás használata
A modul elvégzése után képes lesz arra
- Optimalizálja a hiperparamétereket a modellképzéshez
- Használjon automatizált gépi tanulást az adatok optimális modelljének megtalálásához
9. modul: Modellek értelmezése
A szervezetek és az automatizált rendszerek manapság meghozott döntései közül sok a gépi tanulási modellek előrejelzésein alapul. Egyre fontosabb, hogy képesek legyünk megérteni azokat a tényezőket, amelyek befolyásolják a modell által készített előrejelzéseket, és képesek legyünk meghatározni a modell viselkedésében jelentkező nem szándékos torzításokat. Ez a modul leírja, hogyan értelmezheti a modelleket, hogy elmagyarázza, hogyan határozza meg a jellemzők fontossága az előrejelzéseiket.
Tanulságok
- Bevezetés a modellértelmezésbe
- Model Explainers segítségével
Lab: Az automatizált gépi tanulás magyarázatainak áttekintése
Lab: Modellek értelmezése
A modul elvégzése után képes lesz arra
- Modellmagyarázatok generálása automatizált gépi tanulással
- Használjon magyarázatokat a gépi tanulási modellek értelmezéséhez
10. modul: Modellek megfigyelése
A modell üzembe helyezése után fontos megérteni, hogyan használják a modellt a termelésben, és észlelni kell a hatékonyságának az adatsodródás miatti esetleges romlását. Ez a modul a modellek és adataik megfigyelésének technikáit írja le.
Tanulságok
- Modellek megfigyelése Application Insights segítségével
- Adatsodródás figyelése
Lab: Modell megfigyelése Application Insights segítségével
Lab: Data Drift Monitoring
A modul elvégzése után képes lesz arra
- Az Application Insights segítségével figyelheti a közzétett modelleket
- Figyelje az adatsodródást
Ez a kurzus felkészíti a hallgatókat a vizsgára Microsoft DP-100.
Microsoft DP-100 – Tervezés és kivitelezés a Data Science Megoldás bekapcsolva Azure
Tanfolyam részletei
GYIK tanfolyam Microsoft DP-100
Hogyan lehet tanúsítás Microsoft A DP-100 segít a vállalatnak hatékony megoldások megvalósításában data science ban ben Azure?
A DP-100 tanúsítás felkészíti az alkalmazottakat a teljes megoldások kidolgozására és megvalósítására data science segítségével Azure Gépi tanulás. Ez lehetővé teszi a hatékony prediktív modellek felépítését, az adatkezelést és a fejlett algoritmusok alkalmazását, ezáltal optimalizálva a döntéshozatali folyamatokat és javítva a vállalat analitikai kapacitását.
Milyen készségeket sajátítanak el az alkalmazottak a DP-100 tanúsítás révén, amelyek segítenek optimalizálni az adatelemzést a vállalaton belül?
Az alkalmazottak megtanulják kezelni és nagyarányú adatokat készíteni, gépi tanulási modelleket építeni és betanítani, valamint adatmegoldásokat implementálni data science segítségével Azure. Ezek a készségek lehetővé teszik a fejlett adatelemzést és olyan prediktív modellek létrehozását, amelyek optimalizálhatják az üzleti folyamatokat és javíthatják az adatvezérelt döntéshozatalt.
Hogyan segíthet a DP-100 tanúsítás a vállalati döntéshozatal javításában?
A DP-100 segít olyan adatvezérelt prediktív modellek fejlesztésében és megvalósításában, amelyek értékes betekintést nyújthatnak a stratégiai döntésekhez. Ez lehetővé teszi a vállalat számára, hogy a gépi tanulás segítségével előre jelezze a trendeket, optimalizálja a folyamatokat és javítsa az üzleti eredményeket pontos elemzéseken alapuló döntések révén.
Melyek a főbb technológiák és szolgáltatások Azure a DP-100 tanúsítvány hatálya alá tartozik, és hogyan vonatkoznak ezek a vállalatra?
A DP-100 tanúsítás olyan alapvető technológiákra és szolgáltatásokra terjed ki, mint pl Azure Gépi tanulás, Azure Databricks, Azure Synapse Analytics és adatkezelés. Ezek a szolgáltatások nagyszabású adatgyűjtést, -feldolgozást és -elemzést tesznek lehetővé, támogatva a prediktív modelleket és a gépi tanulási megoldásokat, amelyek javítják üzleti teljesítményünket és hatékonyságunkat.
Miért jelenik meg ez az oldal?
Ezt a kurzust azért ajánljuk, mert olyan kifejezéseket keres, mint: dp100, mslearn dp100, microsoft azure adattudós munkatárs dp 100, azure adattudós munkatárs dp 100, dp 100 tanulási út, azure adattudós munkatárs, dp100, microsoft dp100, azure adattudós dp 100, dp 100 tanfolyam, azure dp 100, dp 100 microsoft, azure dp 100 tanfolyam, dp100 minősítés, dp 100 azure, microsoft azure adattudós munkatárs dp 100 szakmai bizonyítvány, dp 100 azure adattudós, microsoft tanulni dp 100, dp 100 azure adattudós munkatárs, azure dp 100 tanúsítvány, dp 100 tanúsítvány vagy mások.
