MS/DP-100 : Designing and Implementing a Data Science Solution on Azure

3 gün (18 Saat) Orta Seviye Sınıf / Online Yapay Zeka ve Makine Öğrenimi

Azure Machine Learning Service üzerinde Makine Öğrenimi çalışmalarını yürütebilmek için çok çeşitli araçlar hizmetinize sunulmuş durumda. İster designer aracı ile hiç kod yazmadan, isterseniz Jupyter Notebook gibi bir araç ile Python kodlarını kullanarak makine öğrenimi deneyleri hazırlayabilir, kendi seçtiğiniz işlem gücü üzerinde modelleri eğitebilir, eğittiğini bu modelleri web service haline getirip yayınlayabilirsiniz. Azure ML SDK ile servisin tüm özelliklerinden faydalanabilirsiniz. Bununla birlikte aşina olduğunuz açık kaynak kütüphaneleri de kullanabilirsiniz. Azure Machine Learning hizmeti AutoML ve HyperDrive gibi özellikleri sayesinde makine öğrenimi çalışmalarındaki rutin tekrarları sizin için yapar ve en başarılı sonuçları getirir. "Designing and Implementing a Data Science Solution on Azure" eğiminde hizmetin kullanım detaylarına ve genel makine öğrenimi çalışma prensiplerine odaklanıyoruz. Dilerseniz bu eğitimin ardından Microsoft DP-100 sınavına giriş yapabilir, Veri Bilimcisi olma yolunda büyük bir adım atabilirsiniz.


Eğitim İçeriği

Module 1: Introduction to Azure Machine Learning

  • Lesson
    • Getting Started with Azure Machine Learning
    • Azure Machine Learning Tools
  • Lab : Creating an Azure Machine Learning Workspace
  • Lab : Working with Azure Machine Learning Tools

Module 2: No-Code Machine Learning with Designer

  • Lesson
    • Training Models with Designer
    • Publishing Models with Designer
  • Lab : Creating a Training Pipeline with the Azure ML Designer
  • Lab : Deploying a Service with the Azure ML Designer

Module 3: Running Experiments and Training Models

  • Lesson
    • Introduction to Experiments
    • Training and Registering Models
  • Lab : Running Experiments
  • Lab : Training and Registering Models

Module 4: Working with Data

  • Lesson
    • Working with Datastores
    • Working with Datasets
  • Lab : Working with Datastores
  • Lab : Working with Datasets

Module 5: Compute Contexts

  • Lesson
    • Working with Environments
    • Working with Compute Targets
  • Lab : Working with Environments
  • Lab : Working with Compute Targets

Module 6: Orchestrating Operations with Pipelines

  • Lesson
    • Introduction to Pipelines
    • Publishing and Running Pipelines
  • Lab : Creating a Pipeline
  • Lab : Publishing a Pipeline

Module 7: Deploying and Consuming Models

  • Lesson
    • Real-time Inferencing
    • Batch Inferencing
  • Lab : Creating a Real-time Inferencing Service
  • Lab : Creating a Batch Inferencing Service

Module 8: Training Optimal Models

  • Lesson
    • Hyperparameter Tuning
    • Automated Machine Learning
  • Lab : Tuning Hyperparameters
  • Lab : Using Automated Machine Learning

Module 9: Interpreting Models

  • Lesson
    • Introduction to Model Interpretation
    • using Model Explainers
  • Lab : Reviewing Automated Machine Learning Explanations
  • Lab : Interpreting Models

Module 10: Monitoring Models

  • Lesson
    • Monitoring Models with Application Insights
    • Monitoring Data Drift
  • Lab : Monitoring a Model with Application Insights
  • Lab : Monitoring Data Drift

Öncesinde Önerilenler

Sonrasında Önerilenler

  • Data Scientist

    Yapay Zeka, Makine Öğrenimi, Derin Öğrenme Teknikleri ile Büyük Veri Kümelerinden Desen ve Eğilim Keşfetme

      Bu seride sonrasında önerilen herhangi bir eğitim mevcut değil.