• DP-100: Designing and Implementing a Data Science Solution on Azure (DP-100T01-A) inclusief examen voucher

  • Group Training

    Ben jij een gemotiveerde datawetenschapper en wil je leren hoe je machine learning-oplossingen in de cloud bouwt en draait? Dan is deze training iets voor jou!

    Training code
    CGADP100CE
    Gesproken taal
    Engels
    Taal materiaal
    Engels
    Dagdelen
    6
    Kosten
    €1.700,00
    excl. BTW Geen extra kosten.

    Boek nu DP-100: Designing and Implementing a Data Science Solution on Azure (DP-100T01-A) inclusief examen voucher

    In groepstrainingen gebruiken we verschillende werkvormen en doe je kennis, inzicht en inspiratie op.

    Deze training staat niet gepland in ons open rooster. Vul hier onder je gegevens in en we nemen binnen 2 werkdagen contact met je op.

    Naam*
    E-mailadres*
    Telefoonnummer*
     

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

    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) inclusief examen voucher

    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
     
    Incompany

    Ben jij een gemotiveerde datawetenschapper en wil je leren hoe je machine learning-oplossingen in de cloud bouwt en draait? Dan is deze training iets voor jou!

    Training code
    CGADP100CE
    Gesproken taal
    Engels
    Taal materiaal
    Engels
    Dagdelen
    6
    Kosten
    €1.700,00
    excl. BTW Geen extra kosten.

    Een Incompany training biedt verschillende voordelen:

    - Je bepaalt zelf de locatie
    - Je beleeft de training met je collega’s, daardoor sluit deze altijd aan op jouw praktijk
    - De trainer kan in uitleg, voorbeelden en opdrachten aansluiten bij jouw organisatie
    - In overleg kan de training aangepast worden aan organisatie specifieke vragen

    Vraag nu meer informatie of een offerte aan.

     

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

    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) inclusief examen voucher

    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
     
  • Gerelateerd

    Vakgebied
    Cloud
     
  • e-CF competenties bij deze training

     

    Bij Capgemini Academy geloven wij in transparantie en overzicht in het opleidingslandschap. Daarom kan je hieronder zien aan welke e-CF competentie deze training of certificering bijdraagt. Kijk voor meer informatie over hoe jij het e-Competence Framework kan gebruiken op deze pagina. Wil je weten hoe je het e-CF binnen jouw organisatie kan toepassen, lees dan meer op deze pagina.

     

    e-Competence Level12345
    A.5.Architecture Design     
    B.6.Systems Engineering     
    B.1.Application Development