Designing and Implementing a Data Science Solution on Azure (DP-100)

Inhalt

Modul 1: Einführung in Azure Machine Learning
In diesem Modul erfährst du, wie du einen Azure-Workspace für Machine Learning bereitstellst und ihn zum Verwalten von Ressourcen für Machine Learning wie Daten, Rechenressourcen-, Modelltrainingsskripte geloggte Metriken und trainierte Modelle verwendest. Du erfährst, wie du die webbasierte Azure Machine Learning Studio-Oberfläche sowie das Azure Machine Learning SDK und Entwicklertools wie Visual Studio Code und Jupyter Notebooks verwendest, um mit den Assets in deinem Arbeitsbereich zu arbeiten.

• Erste Schritte mit Azure Machine Learning
• Azure-Tools für Machine Learning

Modul 2: Machine Learning ohne Code mit dem Designer
In diesem Modul wird das Designer-Tool vorgestellt, eine Drag & Drop-Oberfläche zum Erstellen von Modellen für Machine Learning, ohne Code zu schreiben. Du lernst, wie du eine Trainingspipeline erstellst, die die Datenvorbereitung und das Modelltraining umfasst. Diese Trainingspipeline konvertierst Du anschliessend in eine Inferenzpipeline mit welcher Werte aus neuen Daten vorhergesagt werden können, bevor du die Inferenzpipeline schliesslich als Service für Clientanwendungen bereitstellst.

• Trainingsmodelle mit Designer
• Modelle mit Designer veröffentlichen

Modul 3: Experimente und Trainieren von Modellen
In diesem Modul lernst Du, wie Du mit Experimenten, welche die Datenverarbeitung und Modelltrainingsskripte kapseln, ML Modelle mit Azure Machine Learning trainierst.

• Einführung in Experimente
• Training und Registrierung von Modellen

Modul 4: Arbeiten mit Daten
Daten sind ein grundlegendes Element in jedem Workload für Machine Learning. In diesem Modul erfährst du, wie du Datenstores und Datasets in einem Azure Machine Workspace erstellst, verwaltest und für das Trainieren von Modellen in  Experimenten verwendest.

• Arbeiten mit Datastores

• Arbeiten mit Datasets

Modul 5: Compute Contexts (Rechenressourcen)
Einer der Hauptvorteile der Cloud ist die Möglichkeit, Rechenressourcen bei Bedarf zu nutzen und damit maschinelle Lernprozesse in einem Ausmaß zu skalieren, das auf deiner eigenen Hardware nicht möglich wäre. In diesem Modul erfährst du, wie du Experimentierumgebungen verwaltest, die eine konsistente Laufzeitkonsistenz für Experimente sicherstellen, und wie du Rechenziele für Experimentierläufe erstellst und verwendest.

• Arbeiten mit Environments
• Arbeiten mit Compute Targets

Modul 6: Orchestrieren der Abläufe mit Pipelines
Nachdem du die Grundlagen der Ausführung von Workloads als Experimente verstanden hast, ist es an der Zeit, zu lernen, wie du diese Workloads als Pipelines orchestrierst. Pipelines sind der Schlüssel zur Implementierung einer effektiven ML Ops-Lösung (Machine Learning Operationalization) in Azure. Daher erfährst du, in diesem Modul, wie du sie definierst und ausführst.

• Einführung in Pipelines
• Veröffentlichen und Ausführen von Pipelines

Modul 7: Bereitstellen und Konsumieren von Modellen
Modelle sollen die Entscheidungsfindung durch Vorhersagen unterstützen. Sie sind daher nur dann nützlich, wenn sie bereitgestellt werden und für eine Anwendung verfügbar sind. In diesem Modul erfährst du, wie du Modelle für Echtzeit-Inferenzen und für Batch-Inferenzen bereitstellst.

• Echtzeit-Inferenz
• Batch-Inferenz

Modul 8: Optimale Modelle trainieren
In dieser Phase des Kurses hast du den End-to-End-Prozess zum Trainieren, Bereitstellen und Konsumieren von Modellen für Machine Learning gelernt. Aber wie stellst du sicher, dass dein Modell die beste Vorhersage für deine Daten liefert? In diesem Modul erfährst du, wie du mithilfe von Hyperparameter-Tuning und automatisiertem Machine Learning die Vorteile von Cloud-Scale-Computing nutzt und das beste Modell für deine Daten finden kannst.

• Hyperparameter-Tuning
• Automatisiertes Machine Learning

Modul 9: Modelle interpretieren
Viele der Entscheidungen, die heute von Organisationen und automatisierten Systemen getroffen werden, basieren auf Vorhersagen, die von Machine Learning Modellen getroffen wurden. Es wird immer wichtiger, die Faktoren zu verstehen, die die Vorhersagen eines Modells beeinflussen, um unbeabsichtigte Verzerrungen im Verhalten des Modells feststellen zu können. In diesem Modul wird beschrieben, wie du Modelle interpretieren kannst, um zu erklären, wie die Gewichtung von Features die Vorhersagen bestimmt.

• Einführung in die Model Interpretation
• Verwenden von Model Explainern

Modul 10: Monitoring von Modellen
Nach der Bereitstellung eines Modells ist es wichtig zu verstehen, wie das Modell in der Produktion verwendet wird, und eine Verschlechterung seiner Genauigkeit aufgrund von Datendrift festzustellen. Dieses Modul beschreibt Techniken zur Überwachung von Modellen und deren Daten.

• Modelle mit Application Insights überwachen
• Überwachen von Datendrift

ZERTIFIZIERUNG

Hier kannst du den Test für die Zertifizierung buchen.