Designing and Implementing a Data Science Solution on Azure (CZ)

Cíle kurzu

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 v Microsoft Azure

Určeno pro

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.

Obsah kurzu

Modul 1: Začínáme s Azure Machine Learning

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

• Úvod do Azure Machine Learning


• Práce s Azure Machine Learning


• Lab: Vytvoření pracovního prostoru Azure Machine Learning

Modul 2: Machine Learning bez kódu

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

• Automatizované strojové učení


• Azure Machine Learning Designer


• Lab: Použití automatizovaného strojového učení


• Lab: Použití Azure Machine Learning Designer

Modul 3: Spouštění experimentů a tréninkové modely

V tomto modulu začnete s experimenty, které zapouzdřují zpracování dat a tréninkový kód modelu, a použijete je k trénování modelů strojového učení.

Lekce

• Úvod do experimentů


• Školení a registrace modelů


• Lab: Spouštění experimentů


• Lab: Tréninkové modely

Modul 4: Práce s daty

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

• Práce s datovými úložišti


• Práce s datovými sadami


• Lab: Práce s daty

Modul 5: Práce s výpošty

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

• Práce v prostředí


• Práce s výpočetními cíli


• Lab: Práce s výpočty

Modul 6: Orchestrace operací s Pipeline

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

• Úvod do Pipeline


• Publikování a provozování Pipeline


• Lab: Tvorba Pipeline

Modul 7: Nasazení modelů

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

• Vyvozování v reálném čase


• Dávkové odvozování


• Kontinuální integrace a doručování


• Lab: Vytvoření služby odvozování v reálném čase


• Lab: Vytvoření služby hromadného odvozování

Modul 8: Trénink optimálních modelů

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

• Vyladění hyperparametru


• Automatizované strojové učení


• Lab: Vyladění hyperparametrů


• Lab: Využití Automated Machine Learning ze sady SDK

Modul 9: Zodpovědné strojové učení

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

• Diferenciální soukromí


• Interpretovatelnost modelu


• Spravedlnost


• Lab: Prozkoumejte rozdílové soukromí


• Lab: Interpretace modelů


• Lab: Zjištění a zmírnění nespravedlnosti

Modul 10: Monitorovací modely

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

• Monitorování modelů pomocí Application Insights


• Monitorování driftu dat


• Lab: Monitorování modelu pomocí Application Insights


• Lab: Monitorování driftu dat

Studijní materiály

Materiály jsou v elektronické podobě.