Kód: MS_DP-100 Other MICROSOFT Fokozat: Advanced

Designing and Impl. a Data Science Solution on Azure

Nincs elérhető időpont ebben a pillanatban.

Kérje egyedi időpontját

Képzés céljai

Learn how to operate machine learning solutions at cloud scale using Azure Machine Learning. This course teaches you to leverage your existing knowledge of Python and machine learning to manage data ingestion and preparation, model training and deployment, and machine learning solution monitoring in Microsoft Azure.

Követelmények

Successful Azure Data Scientists start this role with a fundamental knowledge of cloud computing concepts, and experience in general data science and machine learning tools and techniques.

Specifically:

Creating cloud resources in Microsoft Azure. Using Python to explore and visualize data. Training and validating machine learning models using common frameworks like Scikit-Learn, PyTorch, and TensorFlow. Working with containers

To gain these prerequisite skills, take the following free online training before attending the course:

Explore Microsoft cloud concepts. Create machine learning models. Administer containers in Azure If you are completely new to data science and machine learning, please complete Microsoft Azure AI Fundamentals first.

Tartalom

Module 1: Getting Started with Azure Machine Learning In this module, you will learn how to provision an Azure Machine Learning workspace and use it to manage machine learning assets such as data, compute, model training code, logged metrics, and trained models. You will learn how to use the web-based Azure Machine Learning studio interface as well as the Azure Machine Learning SDK and developer tools like Visual Studio Code and Jupyter Notebooks to work with the assets in your workspace.

Lessons Introduction to Azure Machine Learning Working with Azure Machine Learning Lab : Create an Azure Machine Learning Workspace After completing this module, you will be able to

Provision an Azure Machine Learning workspace Use tools and code to work with Azure Machine Learning Module 2: No-Code Machine Learning This module introduces the Automated Machine Learning and Designer visual tools, which you can use to train, evaluate, and deploy machine learning models without writing any code.

Lessons Automated Machine Learning Azure Machine Learning Designer Lab : Use Automated Machine Learning Lab : Use Azure Machine Learning Designer After completing this module, you will be able to

Use automated machine learning to train a machine learning model Use Azure Machine Learning designer to train a model Module 3: Running Experiments and Training Models In this module, you will get started with experiments that encapsulate data processing and model training code, and use them to train machine learning models.

Lessons Introduction to Experiments Training and Registering Models Lab : Run Experiments Lab : Train Models After completing this module, you will be able to

Run code-based experiments in an Azure Machine Learning workspace Train and register machine learning models Module 4: Working with Data Data is a fundamental element in any machine learning workload, so in this module, you will learn how to create and manage datastores and datasets in an Azure Machine Learning workspace, and how to use them in model training experiments.

Lessons Working with Datastores Working with Datasets Lab : Work with Data After completing this module, you will be able to

Create and use datastores Create and use datasets Module 5: Working with Compute One of the key benefits of the cloud is the ability to leverage compute resources on demand, and use them to scale machine learning processes to an extent that would be infeasible on your own hardware. In this module, you'll learn how to manage experiment environments that ensure consistent runtime consistency for experiments, and how to create and use compute targets for experiment runs.

Lessons Working with Environments Working with Compute Targets Lab : Work with Compute After completing this module, you will be able to

Create and use environments Create and use compute targets Module 6: Orchestrating Operations with Pipelines Now that you understand the basics of running workloads as experiments that leverage data assets and compute resources, it's time to learn how to orchestrate these workloads as pipelines of connected steps. Pipelines are key to implementing an effective Machine Learning Operationalization (ML Ops) solution in Azure, so you'll explore how to define and run them in this module.

Lessons Introduction to Pipelines Publishing and Running Pipelines Lab : Create a Pipeline After completing this module, you will be able to

Create pipelines to automate machine learning workflows Publish and run pipeline services Module 7: Deploying and Consuming Models Models are designed to help decision making through predictions, so they're only useful when deployed and available for an application to consume. In this module learn how to deploy models for real-time inferencing, and for batch inferencing.

Lessons Real-time Inferencing Batch Inferencing Continuous Integration and Delivery Lab : Create a Real-time Inferencing Service Lab : Create a Batch Inferencing Service After completing this module, you will be able to

Publish a model as a real-time inference service Publish a model as a batch inference service Describe techniques to implement continuous integration and delivery Module 8: Training Optimal Models By this stage of the course, you've learned the end-to-end process for training, deploying, and consuming machine learning models; but how do you ensure your model produces the best predictive outputs for your data? In this module, you'll explore how you can use hyperparameter tuning and automated machine learning to take advantage of cloud-scale compute and find the best model for your data.

Lessons Hyperparameter Tuning Automated Machine Learning Lab : Tune Hyperparameters Lab : Use Automated Machine Learning from the SDK After completing this module, you will be able to

Optimize hyperparameters for model training Use automated machine learning to find the optimal model for your data Module 9: Responsible Machine Learning Data scientists have a duty to ensure they analyze data and train machine learning models responsibly; respecting individual privacy, mitigating bias, and ensuring transparency. This module explores some considerations and techniques for applying responsible machine learning principles.

Lessons Differential Privacy Model Interpretability Fairness Lab : Explore Differential privacy Lab : Interpret Models Lab : Detect and Mitigate Unfairness After completing this module, you will be able to

Apply differential privacy to data analysis Use explainers to interpret machine learning models Evaluate models for fairness Module 10: Monitoring Models After a model has been deployed, it's important to understand how the model is being used in production, and to detect any degradation in its effectiveness due to data drift. This module describes techniques for monitoring models and their data.

Lessons Monitoring Models with Application Insights Monitoring Data Drift Lab : Monitor a Model with Application Insights Lab : Monitor Data Drift After completing this module, you will be able to

Use Application Insights to monitor a published model Monitor data drift

Egyedi képzések

Amennyiben nem megfelelő a képzés számodra, vagy nem találtad meg amit kerestél, kérlek vedd fel velünk a kapcsolatot és mi örömmel segítünk.

This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.

* szükséges

Köszönjük érdeklődését.

Amint lehetséges, jelentkezünk egy új időpont opcióval.

Van kérdése?

Lépjen kapocsolatba velünk további információkért.


This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.

* szükséges

Köszönjük az érdeklődést.

Amint lehetséges, válaszolunk Önnek.

Kívánt időpont

Töltse ki a szükséges adatokat, töltse fel kérését és hamarosan felkeresik kollégáink.


This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.

* szükséges

Köszönjük érdeklődését.

Amint lehetséges, jelentkezünk egy új időpont opcióval.

Tantermek

„Ugorj a fedélzetre!” .

LAND-SAND-ICE-ROCK-STEEL

2018 nyarán kibővítettük irodánkat, ennek köszönhetően már 5 interaktív és modern tanteremben fogadjuk a tanfolyamra jelentkezőket. Projektorok, oktatótábla, internetes hozzáférés, modern környezet minden tantermünkben.
A felújítás révén egyidejűleg több mint 40 tanfolyam résztvevő képzését tudjuk biztosítani."

A "Fire" tanterem egy mobilfal révén összenyítható a szomszédos kisebb helyiséggel, így nagyobb szemináriumok és előadások esetén bővíthető a férőhelyek száma. Modern oktatótermeinkben folymatosan törekszünk a résztvevők tanulási élményét növelni. Minden tanteremben található egy projektor és vetítővászon, oktatótábla, internetes hozzáférés és oktatói számítógép. A képzésen résztvevők számára személyi számítógép áll rendelkezésre.

Tantermek - Budapest

Tantermek - Prága

Tantermek - Pozsony

Oktatók

A több mint 50 oktatóból álló csapatunk a technológiai ismeretek teljes spektrumát kínálja a routing és switching, a biztonság, az együttműködés és az adatközpontok területén. Az oktatók szakértelmét a legmagasabb szintű nemzetközi tanúsítások egész sora igazolja.

Előadóink egyedisége főként abban rejlik, hogy széleskörű tapasztalatokkal rendelkeznek az egyes projektekkel kapcsolatban, így képesek nagyon rugalmasan reagálni a hallgatók javaslataira vagy megválaszolni a kérdéseiket, valamint a gyakorlatban megszerzett ismereteiket átadni a képzésben résztvevőknek. A vállalat megbízható működésének és sokéves tapasztalatának köszönhetően nagyon rugalmasan reagálunk a Cisco szakterületen előkészítés alatt lévő projektekre, így az Ön számára tanúsított tanfolyamok széles skáláját tudjuk garantálni, amelyek lehetővé teszik Önnek és a kollégáinak, hogy megszerezzék a szükséges szakmai tudást a későbbi tanúsítási tesztekhez.

200 +

Tanfolyamok

20 +

Oktató helyiségek

100 +

Tanúsított előadók

7

Országok

Cisco Learning PartnerCisco Business Enablement Partner     Comptia F5AWSpalo alto