Designing and Implementing a Data Science Solution on Azure (DP-100)

DP100
Intermedio
Azure
20 horas
375 €
Convocatorias
Inicio - Fin
Horario  
27 sep. - 1 oct. Lun, Mar, Mie, Jue, Vie de 09:30 a 13:30 Sin definir
3 nov. - 17 nov. Lun, Mie de 16:00 a 20:00 Sin definir
Descripción

Este curso prepara para la obtención de la certificación de Microsoft: Azure Data Scientist Associate, y permite aprender a trabajar con soluciones de aprendizaje automático a escala de la nube con Azure Machine Learning. Este curso le enseña a aprovechar su conocimiento existente de Python y el aprendizaje automático para administrar la ingesta y preparación de datos, la capacitación e implementación de modelos, y la supervisión de soluciones de aprendizaje automático en Microsoft Azure.

Esta indicado para científicos de datos con conocimiento existente de Python y marcos de aprendizaje automático como Scikit-Learn, PyTorch y Tensorflow, que desean construir y operar soluciones de aprendizaje automático en la nube.

Objetivos

Para poder hacer un seguimiento correcto del curso, los asistentes deben tener un conocimiento fundamental de los conceptos de computación en nube, y experiencia en ciencia de datos generales y herramientas y técnicas de aprendizaje de máquinas.

Específicamente deben saber:

  • Crear recursos de nube en Microsoft Azure.
  • Usar Python para explorar y visualizar datos.
  • Haber trabajado validando modelos de aprendizaje automático usando marcos comunes como Scikit-Learn, PyTorch y TensorFlow.

Si es completamente nuevo en la ciencia de los datos y el aprendizaje automático, por favor complete primero el curso Microsoft Azure AI Fundamentals .

Contenido

Módulo 1: Introducción a Azure Machine Learning

  • Introducción a Azure Machine Learning
  • Herramientas de Azure Machine Learning

Módulo 2: Herramientas Visuales para el Aprendizaje Automático

  • Modelos de capacitación con Designer
  • Publicación de modelos con Designer

Módulo 3: Ejecución de experimentos y modelos de entrenamiento

  • Introducción a los experimentos
  • Formación y registro de modelos

Módulo 4: Trabajar con datos

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

Módulo 5: Calcular contextos

  • Trabajar con entornos
  • Trabajar con objetivos informáticos

Módulo 6: Orquestación de operaciones con canalizaciones

  • Introducción de canalizaciones
  • Publicación y ejecución de canalizaciones

Módulo 7: Implementación y consumo de modelos

  • Inferencia en tiempo real
  • Inferencia por lotes

Módulo 8: Entrenamiento de modelos óptimos

  • Ajuste de hiperparámetro
  • Aprendizaje automático automatizado

Módulo 9: Interpretar modelos

  • Introducción a la interpretación del modelo
  • usando explicaciones del modelo

Módulo 10: Modelos de supervisión

  • Modelos de supervisión con Application Insights
  • Supervisión de deriva de datos