DP-100: Designing and Implementing a Data Science Solution on Azure (DP-100T01-A) (EN)

254934

Wat is DP-100: Designing and Implementing a Data Science Solution on Azure (DP-100T01-A)

Leer hoe je machine learning-oplossingen op cloud schaal draait met behulp van Azure Machine Learning. Deze training leert je om je bestaande kennis van Python en machine learning te gebruiken om de opname en voorbereiding van data, modeltraining en -implementatie en monitoring van machine learning-oplossingen in Microsoft Azure te beheren.
Trainingsbeschrijving
Module 1: Inleiding tot Azure Machine Learning
In deze module leert u hoe u een Azure Machine Learning-werkruimte inricht en deze gebruikt om machine learning-middelen te beheren, zoals gegevens, compute, modeltrainingscode, geregistreerde metrische gegevens en getrainde modellen. U leert hoe u de webgebaseerde Azure Machine Learning Studio-interface en de Azure Machine Learning SDK en ontwikkelaarstools zoals Visual Studio Code en Jupyter Notebooks gebruikt om met de middelen in uw werkruimte te werken.
Na het afronden van deze module kun je

• Een Azure Machine Learning-werkruimte inrichten
• Tools en code om te werken met Azure Machine Learning gebruiken

Module 2: Machine learning zonder code met Designer
Deze module introduceert de Designer-tool, een interface voor slepen en neerzetten voor het maken van machine learning-modellen zonder code te schrijven. U leert hoe je een trainingspijplijn maakt die gegevensvoorbereiding en modeltraining omvat, en how je vervolgens die trainingspijplijn omzet in een inferentiepijplijn die kan worden gebruikt om waarden van nieuwe gegevens te voorspellen. Waarna je de inferentiepijplijn uiteindelijk implementeert als een service voor clienttoepassingen om te gebruiken.
Na afronding van deze module kun je

• Designer gebruiken om een machine learning-model te trainen
• Een Designer-pijplijn als een service implementeren

Module 3: Experimenten uitvoeren en trainingsmodellen
In deze module ga je aan de slag met experimenten die gegevensverwerking en modeltrainingcode omvatten en deze gebruiken om machine learning-modellen te trainen.
Na het afronden van deze module kun je

• Op code gebaseerde experimenten uitvoeren in een Azure Machine Learning-werkruimte
• Machine learning-modellen trainen en registreren

Module 4: Werken met gegevens
Gegevens zijn een fundamenteel element in elke workload voor machine learning, daarom leer je in deze module hoe je datastores en datasets maakt en beheert in een Azure Machine Learning-werkruimte en hoe je deze gebruikt in model trainingsexperimenten.
Na afronding van deze module kun je:

• Datastores creëren en gebruiken
• Datasets creëeren en gebruiken

Module 5: Compute contexten
Een van de belangrijkste voordelen van de cloud is de mogelijkheid om on-demand rekenresources te benutten en deze te gebruiken om machine learning-processen te schalen tot een mate die onhaalbaar zou zijn op uw eigen hardware. In deze module leer je hoe je experimentomgevingen beheert die consistente runtime-consistentie voor experimenten garanderen, en hoe u rekendoelen maakt en gebruikt voor het uitvoeren van experimenten.
Na het afronden van deze module kun je

• Omgevingen creëren en gebruiken
• Rekendoelen maken en gebruiken

Module 6: Operaties orkestreren met pijplijnen
Nu je de basisprincipes van het uitvoeren van workloads als experimenten die gebruik maken van gegevensassets en rekenresources begrijpt, is het tijd om te leren hoe je deze workloads kunt organiseren als pijplijnen van verbonden stappen. Pijplijnen zijn de sleutel tot het implementeren van een effectieve Machine Learning Operationalization (ML Ops) -oplossing in Azure, dus je zult ontdekken hoe je ze in deze module kunt definiëren en uitvoeren.
Na het afronden van deze module kun je

• Pijplijnen om workflows voor machine learning te automatiseren maken
• Pijplijndiensten publiceren en uitvoeren

Module 7: Modellen implementeren en gebruiken
Modellen zijn ontworpen om besluitvorming te ondersteunen door middel van voorspellingen, dus ze zijn alleen nuttig wanneer ze worden geïmplementeerd en zijn beschikbaar voor gebruik door een applicatie. In deze module leer je hoe je modellen implementeert voor realtime inferentie en voor batch-inferentie.
Na het afronden van deze module kun je

• Een model als een realtime inferentieservice publiceren
• Een model als een batch-inferentieservice publiceren

Module 8: Optimale modellen trainen
In deze fase van de training heb je het end-to-end-proces geleerd voor het trainen, implementeren en gebruiken van machine learning-modellen; maar hoe zorg je ervoor dat uw model de beste voorspellende output voor uw gegevens oplevert? In deze module onderzoek je hoe je hyperparameter-afstemming en geautomatiseerde machine learning kunt gebruiken om te profiteren van computing op cloudschaal en het beste model voor uw gegevens te vinden.
Na het afronden van deze module kun je

• Hyperparameters voor modeltraining optimaliseren
• Geautomatiseerde machine learning gebruiken om het optimale model voor uw gegevens te vinden

Module 9: Modellen interpreteren
Veel van de beslissingen die tegenwoordig door organisaties en geautomatiseerde systemen worden genomen, zijn gebaseerd op voorspellingen van machine learning-modellen. Het wordt steeds belangrijker om de factoren te begrijpen die de voorspellingen van een model beïnvloeden, en om eventuele onbedoelde vooroordelen in het gedrag van het model te kunnen bepalen. Deze module beschrijft hoe je modellen kunt interpreteren om uit te leggen hoe het belang van functies hun voorspellingen bepaalt.
Na het afronden van deze module kun je

• Modelverklaringen met geautomatiseerde machine learning genereren
• Uitleggers gebruiken om machine learning-modellen te interpreteren

Module 10: Monitoring modellen
Nadat een model is geïmplementeerd, is het belangrijk om te begrijpen hoe het model in de productie wordt gebruikt en om eventuele verslechtering van de effectiviteit als gevolg van datadrift te detecteren. Deze module beschrijft technieken voor het monitoren van modellen en hun data.
Na het afronden van deze module kun je

• Application Insights gebruiken om een gepubliceerd model te bewaken
• Gegevensafwijking Monitoren

Voor wie is DP-100: Designing and Implementing a Data Science Solution on Azure (DP-100T01-A)

Deze training is bedoeld voor data scientists met kennis van Python en machine learning-frameworks zoals Scikit-Learn, PyTorch en Tensorflow, die machine learning-oplossingen in de cloud willen bouwen en draaien.

Voorvereisten

Voor deelname aan deze training moeten studenten beschikken over:
Een fundamentele kennis van Microsoft Azure

• Ervaring met het schrijven van Python-code om met gegevens te werken, met behulp van bibliotheken zoals Numpy, Pandas en Matplotlib.
• Inzicht in data science; inclusief het voorbereiden van gegevens en het trainen van machine learning-modellen met behulp van veelgebruikte machine learning-bibliotheken zoals Scikit-Learn, PyTorch of Tensorflow.

Doelstellingen

Na het afronden van deze training kun je

• Een Azure Machine Learning-werkruimte inrichten
• Tools en code om te werken met Azure Machine Learning gebruiken
• Designer gebruiken om een machine learning-model te trainen
• Een Designer-pijplijn als een service implementeren
• Op code gebaseerde experimenten uitvoeren in een Azure Machine Learning-werkruimte
• Machine learning-modellen trainen en registreren
• Datastores creëren en gebruiken
• Datasets creëeren en gebruiken
• Omgevingen creëren en gebruiken
• Rekendoelen maken en gebruiken
• Pijplijnen om workflows voor machine learning te automatiseren maken
• Pijplijndiensten publiceren en uitvoeren
• Een model als een realtime inferentieservice publiceren
• Een model als een batch-inferentieservice publiceren
• Hyperparameters voor modeltraining optimaliseren
• Geautomatiseerde machine learning gebruiken om het optimale model voor uw gegevens te vinden
• Modelverklaringen met geautomatiseerde machine learning genereren
• Uitleggers gebruiken om machine learning-modellen te interpreteren
• Application Insights gebruiken om een gepubliceerd model te bewaken
• Gegevensafwijking Monitoren

Examen Informatie

• Duur examen: 180 mins
• Examen stijl: Multiple Choice
• Open Boek: Nee

254934

Wat is DP-100: Designing and Implementing a Data Science Solution on Azure (DP-100T01-A)

Leer hoe je machine learning-oplossingen op cloud schaal draait met behulp van Azure Machine Learning. Deze training leert je om je bestaande kennis van Python en machine learning te gebruiken om de opname en voorbereiding van data, modeltraining en -implementatie en monitoring van machine learning-oplossingen in Microsoft Azure te beheren.
Trainingsbeschrijving
Module 1: Inleiding tot Azure Machine Learning
In deze module leert u hoe u een Azure Machine Learning-werkruimte inricht en deze gebruikt om machine learning-middelen te beheren, zoals gegevens, compute, modeltrainingscode, geregistreerde metrische gegevens en getrainde modellen. U leert hoe u de webgebaseerde Azure Machine Learning Studio-interface en de Azure Machine Learning SDK en ontwikkelaarstools zoals Visual Studio Code en Jupyter Notebooks gebruikt om met de middelen in uw werkruimte te werken.
Na het afronden van deze module kun je

• Een Azure Machine Learning-werkruimte inrichten
• Tools en code om te werken met Azure Machine Learning gebruiken

Module 2: Machine learning zonder code met Designer
Deze module introduceert de Designer-tool, een interface voor slepen en neerzetten voor het maken van machine learning-modellen zonder code te schrijven. U leert hoe je een trainingspijplijn maakt die gegevensvoorbereiding en modeltraining omvat, en how je vervolgens die trainingspijplijn omzet in een inferentiepijplijn die kan worden gebruikt om waarden van nieuwe gegevens te voorspellen. Waarna je de inferentiepijplijn uiteindelijk implementeert als een service voor clienttoepassingen om te gebruiken.
Na afronding van deze module kun je

• Designer gebruiken om een machine learning-model te trainen
• Een Designer-pijplijn als een service implementeren

Module 3: Experimenten uitvoeren en trainingsmodellen
In deze module ga je aan de slag met experimenten die gegevensverwerking en modeltrainingcode omvatten en deze gebruiken om machine learning-modellen te trainen.
Na het afronden van deze module kun je

• Op code gebaseerde experimenten uitvoeren in een Azure Machine Learning-werkruimte
• Machine learning-modellen trainen en registreren

Module 4: Werken met gegevens
Gegevens zijn een fundamenteel element in elke workload voor machine learning, daarom leer je in deze module hoe je datastores en datasets maakt en beheert in een Azure Machine Learning-werkruimte en hoe je deze gebruikt in model trainingsexperimenten.
Na afronding van deze module kun je:

• Datastores creëren en gebruiken
• Datasets creëeren en gebruiken

Module 5: Compute contexten
Een van de belangrijkste voordelen van de cloud is de mogelijkheid om on-demand rekenresources te benutten en deze te gebruiken om machine learning-processen te schalen tot een mate die onhaalbaar zou zijn op uw eigen hardware. In deze module leer je hoe je experimentomgevingen beheert die consistente runtime-consistentie voor experimenten garanderen, en hoe u rekendoelen maakt en gebruikt voor het uitvoeren van experimenten.
Na het afronden van deze module kun je

• Omgevingen creëren en gebruiken
• Rekendoelen maken en gebruiken

Module 6: Operaties orkestreren met pijplijnen
Nu je de basisprincipes van het uitvoeren van workloads als experimenten die gebruik maken van gegevensassets en rekenresources begrijpt, is het tijd om te leren hoe je deze workloads kunt organiseren als pijplijnen van verbonden stappen. Pijplijnen zijn de sleutel tot het implementeren van een effectieve Machine Learning Operationalization (ML Ops) -oplossing in Azure, dus je zult ontdekken hoe je ze in deze module kunt definiëren en uitvoeren.
Na het afronden van deze module kun je

• Pijplijnen om workflows voor machine learning te automatiseren maken
• Pijplijndiensten publiceren en uitvoeren

Module 7: Modellen implementeren en gebruiken
Modellen zijn ontworpen om besluitvorming te ondersteunen door middel van voorspellingen, dus ze zijn alleen nuttig wanneer ze worden geïmplementeerd en zijn beschikbaar voor gebruik door een applicatie. In deze module leer je hoe je modellen implementeert voor realtime inferentie en voor batch-inferentie.
Na het afronden van deze module kun je

• Een model als een realtime inferentieservice publiceren
• Een model als een batch-inferentieservice publiceren

Module 8: Optimale modellen trainen
In deze fase van de training heb je het end-to-end-proces geleerd voor het trainen, implementeren en gebruiken van machine learning-modellen; maar hoe zorg je ervoor dat uw model de beste voorspellende output voor uw gegevens oplevert? In deze module onderzoek je hoe je hyperparameter-afstemming en geautomatiseerde machine learning kunt gebruiken om te profiteren van computing op cloudschaal en het beste model voor uw gegevens te vinden.
Na het afronden van deze module kun je

• Hyperparameters voor modeltraining optimaliseren
• Geautomatiseerde machine learning gebruiken om het optimale model voor uw gegevens te vinden

Module 9: Modellen interpreteren
Veel van de beslissingen die tegenwoordig door organisaties en geautomatiseerde systemen worden genomen, zijn gebaseerd op voorspellingen van machine learning-modellen. Het wordt steeds belangrijker om de factoren te begrijpen die de voorspellingen van een model beïnvloeden, en om eventuele onbedoelde vooroordelen in het gedrag van het model te kunnen bepalen. Deze module beschrijft hoe je modellen kunt interpreteren om uit te leggen hoe het belang van functies hun voorspellingen bepaalt.
Na het afronden van deze module kun je

• Modelverklaringen met geautomatiseerde machine learning genereren
• Uitleggers gebruiken om machine learning-modellen te interpreteren

Module 10: Monitoring modellen
Nadat een model is geïmplementeerd, is het belangrijk om te begrijpen hoe het model in de productie wordt gebruikt en om eventuele verslechtering van de effectiviteit als gevolg van datadrift te detecteren. Deze module beschrijft technieken voor het monitoren van modellen en hun data.
Na het afronden van deze module kun je

• Application Insights gebruiken om een gepubliceerd model te bewaken
• Gegevensafwijking Monitoren

Voor wie is DP-100: Designing and Implementing a Data Science Solution on Azure (DP-100T01-A)

Deze training is bedoeld voor data scientists met kennis van Python en machine learning-frameworks zoals Scikit-Learn, PyTorch en Tensorflow, die machine learning-oplossingen in de cloud willen bouwen en draaien.

Voorvereisten

Voor deelname aan deze training moeten studenten beschikken over:
Een fundamentele kennis van Microsoft Azure

• Ervaring met het schrijven van Python-code om met gegevens te werken, met behulp van bibliotheken zoals Numpy, Pandas en Matplotlib.
• Inzicht in data science; inclusief het voorbereiden van gegevens en het trainen van machine learning-modellen met behulp van veelgebruikte machine learning-bibliotheken zoals Scikit-Learn, PyTorch of Tensorflow.

Doelstellingen

Na het afronden van deze training kun je

• Een Azure Machine Learning-werkruimte inrichten
• Tools en code om te werken met Azure Machine Learning gebruiken
• Designer gebruiken om een machine learning-model te trainen
• Een Designer-pijplijn als een service implementeren
• Op code gebaseerde experimenten uitvoeren in een Azure Machine Learning-werkruimte
• Machine learning-modellen trainen en registreren
• Datastores creëren en gebruiken
• Datasets creëeren en gebruiken
• Omgevingen creëren en gebruiken
• Rekendoelen maken en gebruiken
• Pijplijnen om workflows voor machine learning te automatiseren maken
• Pijplijndiensten publiceren en uitvoeren
• Een model als een realtime inferentieservice publiceren
• Een model als een batch-inferentieservice publiceren
• Hyperparameters voor modeltraining optimaliseren
• Geautomatiseerde machine learning gebruiken om het optimale model voor uw gegevens te vinden
• Modelverklaringen met geautomatiseerde machine learning genereren
• Uitleggers gebruiken om machine learning-modellen te interpreteren
• Application Insights gebruiken om een gepubliceerd model te bewaken
• Gegevensafwijking Monitoren

Examen Informatie

• Duur examen: 180 mins
• Examen stijl: Multiple Choice
• Open Boek: Nee