Azure Data Scientist aplikuje své znalosti datové vědy a strojového učení na implementaci a provozování úloh strojového učení v Microsoft Azure; zejména pomocí služby Azure Machine Learning Service. To zahrnuje plánování a vytváření vhodného pracovního prostředí pro úlohy datové vědy v Azure, spouštění experimentů s daty a školení prediktivních modelů, správu a optimalizaci modelů a nasazení modelů strojového učení do výroby.
Tento kurz je určen pro datové analytiky se stávajícími znalostmi rámců Pythonu a strojového učení, jako jsou Scikit-Learn, PyTorch a Tensorflow, kteří chtějí stavět a provozovat řešení strojového učení v cloudu.
V tomto modulu se naučíte, jak zřídit pracovní prostor Azure Machine Learning a použít jej ke správě prostředků strojového učení, jako jsou data, výpočet, kód tréninkového modelu, protokolované metriky a trénované modely. Naučíte se, jak používat webové rozhraní studia Azure Machine Learning Studio, stejně jako sadu Azure Machine Learning SDK a vývojářské nástroje, jako je Visual Studio Code a Jupyter Notebooks, pro práci s prostředky ve vašem pracovním prostoru.
Lekce
Tento modul představuje vizuální nástroje Automated Machine Learning a Designer, které můžete použít k trénování, vyhodnocení a nasazení modelů strojového učení bez psaní jakéhokoli kódu.
Lekce
V tomto modulu začnete s experimenty, které zapouzdřují zpracování dat a tréninkový kód modelu, a použijete je k trénování modelů strojového učení.
Lekce
Data jsou základním prvkem v jakékoli pracovní zátěži strojového učení, takže v tomto modulu se naučíte, jak vytvářet a spravovat datová úložiště a datové sady v pracovním prostředí Azure Machine Learning a jak je používat v modelových tréninkových experimentech.
Lekce
Jednou z klíčových výhod cloudu je schopnost využívat výpočetní zdroje na vyžádání a používat je k škálování procesů strojového učení do rozsahu, který by na vašem vlastním hardwaru nebyl možný. V tomto modulu se naučíte, jak spravovat experimentální prostředí, která zajišťují konzistentní běhovou konzistenci experimentů, a jak vytvářet a používat výpočetní cíle pro experimenty.
Lekce
Nyní, když chápete základy spouštění úloh jako experimentů, které využívají datové prostředky a výpočetní prostředky, je čas se naučit, jak tyto úlohy vytěžit jako kanály propojených kroků. Pipelines jsou klíčem k implementaci efektivního řešení Machine Learning Operationalization (ML Ops) v Azure, takže prozkoumáte, jak je definovat a spustit v tomto modulu.
Lekce
Modely jsou navrženy tak, aby usnadňovaly rozhodování prostřednictvím předpovědí, takže jsou užitečné pouze při nasazení a dostupné pro použití aplikací. V tomto modulu se naučíte, jak nasadit modely pro odvozování v reálném čase a pro dávkové odvozování.
Lekce
V této fázi kurzu jste se naučili end-to-end proces školení, nasazení a náročné modely strojového učení; ale jak zajistíte, aby váš model vytvářel ty nejlepší prediktivní výstupy pro vaše data? V tomto modulu prozkoumáte, jak můžete pomocí ladění hyperparametru a automatizovaného strojového učení využít výhod cloudového měřítka a najít nejlepší model pro svá data.
Lekce
Vědci v oboru dat mají povinnost zajistit, aby analyzovali data a zodpovědně trénovali modely strojového učení; respektování soukromí jednotlivců, zmírňování zaujatosti a zajištění transparentnosti. Tento modul zkoumá některé úvahy a techniky pro uplatňování principů zodpovědného strojového učení.
Lekce
Po nasazení modelu je důležité pochopit, jak se model používá ve výrobě, a detekovat jakékoli zhoršení jeho účinnosti v důsledku driftu dat. Tento modul popisuje techniky pro monitorování modelů a jejich dat.
Lekce
Materiály jsou v elektronické podobě.
Naučte se, jak provozovat řešení strojového učení v cloudovém měřítku pomocí Azure Machine Learning. Tento kurz vás naučí využít své stávající znalosti Pythonu a strojového učení ke správě příjmu a přípravy dat, tréninku a nasazení modelů a monitorování řešení strojového učení vpomocí Azure Machine Learning a MLflow.
střední
4 dny
