DP-100T01 Designing and Implementing a Data Science Solution on Azure
DP-100T01 Designing and Implementing a Data Science Solution on Azure
Descripción
Aprende a utilizar soluciones de aprendizaje automático a escala de la nube con Azure Machine Learning. Este curso le enseña a aprovechar sus conocimientos actuales de Python y aprendizaje automático para administrar la ingesta y preparación de datos, el entrenamiento y la implementación de modelos, y la supervisión de soluciones de aprendizaje automático con Azure Machine Learning y MLflow.
Objetivos
Los estudiantes aprenderán:
- Aprende a identificar requisitos importantes y cuándo usar cada servicio cuando desee utilizar modelos de aprendizaje automático.
- Explora las distintas herramientas para desarrolladores que puede usar para interactuar con el área de trabajo y configura el área de trabajo para cargas de trabajo de aprendizaje automático mediante la creación de activos de datos y recursos informáticos.
- Aprende a encontrar el mejor modelo con aprendizaje automático automatizado (AutoML) y experimentando en cuadernos.
- Aprende a optimizar el entrenamiento de modelos en Azure Machine Learning mediante scripts, trabajos, componentes y canalizaciones.
- Aprende a administrar y revisar modelos en Azure Machine Learning mediante MLflow para almacenar sus archivos de modelos y utilizar funciones de IA responsables para evaluar sus modelos.
- Aprende a implementar un modelo en un punto de conexión. Cuando implementa un modelo, puede obtener predicciones en tiempo real o por lotes llamando al punto de conexión.
Audiencia
Este curso está diseñado para científicos de datos con conocimientos existentes de Python y marcos de aprendizaje automático como Scikit-Learn, PyTorch y Tensorflow, que desean crear y operar soluciones de aprendizaje automático en la nube.
Prerequisitos
Antes de asistir a este curso, los estudiantes deben tener:
- Un conocimiento fundamental de Microsoft Azure.
- Experiencia en escribir código Python para trabajar con datos, utilizando bibliotecas como Numpy, Pandas y Matplotlib.
- Comprensión de la ciencia de datos; incluyendo cómo preparar datos y entrenar modelos de aprendizaje automático utilizando bibliotecas comunes de aprendizaje automático como Scikit-Learn, PyTorch o Tensorflow.
Contenido del Curso
- Identifique su fuente de datos y formato 6 minutos
- Elija cómo entregar datos a los flujos de trabajo de aprendizaje automático 5 minutos
- Diseñar una solución de ingesta de datos 7 minutos
- Ejercicio: Diseñar una estrategia de ingesta de datos
- Identificar tareas de aprendizaje automático 3 minutos
- Elija un servicio para entrenar un modelo de aprendizaje automático 7 minutos
- Decidir entre las opciones de cálculo 7 minutos
- Ejercicio: Diseñar una estrategia de entrenamiento modelo
- Entender cómo se consumirá el modelo 6 minutos
- Decide entre implementación en tiempo real o por lotes 8 minutos
- Ejercicio: Diseñar una solución de implementación
- Explorar una arquitectura MLOps 10 minutos
- Diseño para monitoreo 9 minutos
- Diseño para el reciclaje
- Crear un espacio de trabajo de Azure Machine Learning 7 minutos
- Identificar recursos de Azure Machine Learning 6 minutos
- Identificar activos de Azure Machine Learning 7 minutos
- Modelos de trenes en el espacio de trabajo 6 minutos
- Ejercicio – Explorar el espacio de trabajo
- Explora el estudio 6 minutos
- Explorar el SDK de Python 7 minutos
- Explorar la CLI 8 minutos
- Ejercicio: Explorar las herramientas para desarrolladores
- Comprender las URI 5 minutos
- Crear un almacén de datos 7 minutos
- Crear un activo de datos 12 minutos
- Ejercicio: Poner los datos a disposición en Azure Machine Learning
- Elija el objetivo de cálculo adecuado 7 minutos
- Crear y utilizar una instancia de cómputo 6 minutos
- Crear y utilizar un clúster de cómputo 8 minutos
- Ejercicio – Trabajar con recursos computacionales
- Comprender los entornos 6 minutos
- Explorar y utilizar entornos seleccionados 8 minutos
- Crear y utilizar entornos personalizados 12 minutos
- Ejercicio – Trabajar con entornos
- Preprocesar datos y configurar características 6 minutos
- Ejecutar un experimento de aprendizaje automático automatizado 12 minutos
- Evaluar y comparar modelos 3 minutos
- Ejercicio: Encuentra el mejor modelo de clasificación con aprendizaje automático automatizado
- Configurar MLflow para el seguimiento de modelos en cuadernos 6 minutos
- Modelos de trenes y vías en cuadernos 10 minutos
- Ejercicio – Entrenamiento con modelo de pista
- Convertir un cuaderno en un script 9 minutos
- Ejecutar un script como un trabajo de comando 5 minutos
- Usar parámetros en un trabajo de comando 7 minutos
- Ejercicio: Ejecutar un script de entrenamiento como un trabajo de comando
- Seguimiento de métricas con MLflow 9 minutos
- Ver métricas y evaluar modelos 8 minutos
- Ejercicio: Utilice MLflow para realizar un seguimiento de los trabajos de capacitación
- Definir un espacio de búsqueda 5 minutos
- Configurar un método de muestreo 8 minutos
- Configurar la terminación anticipada 8 minutos
- Utilice un trabajo de barrido para ajustar los hiperparámetros 8 minutos
- Ejercicio – Realizar un trabajo de barrido
- Crear componentes 8 minutos
- Crear una tubería 6 minutos
- Ejecutar un trabajo de canalización 9 minutos
- Ejercicio: Ejecutar un trabajo de canalización
- Modelos de registro con MLflow 9 minutos
- Comprender el formato del modelo MLflow 8 minutos
- Registrar un modelo MLflow 7 minutos
- Ejercicio: Registrar y registrar modelos con MLflow
- Entender la IA responsable 4 minutos
- Crear el panel de control de IA responsable 9 minutos
- Evaluar el panel de control de IA responsable 6 minutos
- Ejercicio: Explora el panel de control de Responsible AI
- Explorar puntos finales administrados en línea 9 minutos
- Implemente su modelo MLflow en un punto final en línea administrado 6 minutos
- Implementar un modelo en un punto final en línea administrado 8 minutos
- Pruebe los puntos finales administrados en línea 5 minutos
- Ejercicio: Implementar un modelo MLflow en un punto final en línea
- Comprender y crear puntos finales de lotes 6 minutos
- Implemente su modelo MLflow en un punto final de lote 7 minutos
- Implementar un modelo personalizado en un punto final de lote 9 minutos
- Invocar y solucionar problemas de puntos finales de lotes 5 minutos
- Ejercicio: Implementar un modelo MLflow en un punto final de procesamiento por lotes
Detalles del Examen
| Entrega | En línea (basado en la web |
| Formato | Elección múltiple |
| Supervisión | En vivo |
| Duración | Entre 100 a 120 minutos |
| # de preguntas | Entre 40 y 60 preguntas |
| Puntuación | 700 |
Certificación Relacionada
- DP-100T01 Designing and Implementing a Data Science Solution on Azure
