DP-100: Entwerfen und Implementieren einer Data Scientist Lösung unter Azure (DP-100T01-A)

Dieser Kurs richtet sich an Data Scientists mit bereits vorhandenen Kenntnissen über Python und Frameworks für maschinelles Lernen wie ScikitLearn, PyTorch und Tensorflow, die maschinelle Lernlösungen in der Cloud erstellen und betreiben wollen.

Erste Schritte mit Azure Machine Learning:
In diesem Modul lernen Sie, wie Sie einen Azure Machine Learning-Arbeitsbereich bereitstellen und diesen zur Verwaltung von maschinellen Lernmitteln wie Daten, Berechnungen, ModellTrainingscode, protokollierten Metriken und trainierten Modellen verwenden. Sie werden lernen, wie Sie die webbasierte Azure Machine Learning-Studioschnittstelle sowie das Azure Machine Learning SDK und Entwicklerwerkzeuge wie Visual Studio Code und Jupyter Notebooks verwenden, um mit den Objekten in Ihrem Arbeitsbereich zu arbeiten.

• Einführung in Azure Machine Learning
• Arbeiten mit Azure-Machine Learning

Visuelle Tools für maschinelles Lernen:
In diesem Modul werden die visuellen Tools für automatisiertes maschinelles Lernen und Designer vorgestellt, mit denen Sie Modelle für maschinelles Lernen trainieren, bewerten und bereitstellen können, ohne Code schreiben zu müssen.

• Automatisiertes maschinelles Lernen
• Azure Machine Learning Designer

Durchführung von Experimenten und Trainingsmodellen:
In diesem Modul werden Sie mit Experimenten beginnen, die Datenverarbeitung und Trainingscode modellieren und diese zum Training von Modellen für maschinelles Lernen verwenden.

• Einführung in die Experimente
• Ausbildungs und Registrierungsmodelle

Arbeiten mit Daten:
Daten sind ein grundlegendes Element in jedem Workload beim maschinellen Lernen, daher lernen Sie in diesem Modul, wie man Datenspeicher und Datensätze in einem Azure Machine Learning-Arbeitsbereich erstellt und verwaltet und wie man sie in Modell-Trainingsexperimenten verwendet.

• Arbeiten mit Datenspeichern
• Arbeiten mit Datensätzen

Arbeiten mit Compute:
Einer der Hauptvorteile der Cloud ist die Möglichkeit, Rechenressourcen nach Bedarf zu nutzen und sie zur Skalierung von maschinellen Lernprozessen in einem Umfang zu nutzen, der auf der eigenen Hardware nicht möglich wäre. In diesem Modul lernen Sie, wie Sie Experimentierumgebungen verwalten können, die eine konsistente Laufzeitkonsistenz für Experimente gewährleisten, und wie Sie Rechenziele für Experimentläufe erstellen und verwenden können.

• Arbeiten mit Umgebungen
• Arbeiten mit Rechenzielen

Orchestrieren von Operationen mit Pipelines:
Jetzt, da Sie die Grundlagen der Ausführung von Workloads als Experimente verstehen, die Datenbestände und Berechnungsressourcen nutzen, ist es an der Zeit zu lernen, wie man diese Workloads als Pipeline zusammenhängender Schritte orchestrieren kann. Pipelines sind der Schlüssel zur Implementierung einer effektiven ML OpsLösung (Machine Learning Operationalization) in Azure, daher werden Sie in diesem Modul untersuchen, wie sie bestimmt und ausgeführt werden können.

• Einführung in Pipelines
• Veröffentlichung und Betrieb von Pipelines

Bereitstellen und Verwenden von Modellen:
Modelle sollen die Entscheidungsfindung durch Vorhersagen unterstützen, daher sind sie nur dann nützlich, wenn sie eingesetzt werden und für eine Anwendung zur Verfügung stehen. In diesem Modul lernen Sie, wie man Modelle für Echtzeit- und Batch-Inferenzierung einsetzt.

• Echtzeit-Inferenzierung
• Batch-Inferenzierung
• Kontinuierliche Integration und Lieferung

Ausbildung optimaler Modelle:
In dieser Phase des Kurses haben Sie den End-to-End-Prozess für die Schulung, den Einsatz und die Nutzung von maschinellen Lernmodellen kennen gelernt; aber wie stellen Sie sicher, dass Ihr Modell die besten Vorhersageergebnisse für Ihre Daten liefert? In diesem Modul werden Sie untersuchen, wie Sie Hyperparameter-Tuning und automatisiertes maschinelles Lernen einsetzen können, um die Vorteile der CloudScale-Berechnung zu nutzen und das beste Modell für Ihre Daten zu finden.

• Hyperparameter-Abstimmung
• Automatisiertes maschinelles Lernen

Verantwortungsbewusstes maschinelles Lernen:
Datenwissenschaftler müssen sicherstellen, dass sie Daten analysieren und Modelle für maschinelles Lernen verantwortungsbewusst trainieren. Achtung der Privatsphäre des Einzelnen, Minderung von Voreingenommenheit und Gewährleistung von Transparenz.In diesem Modul werden einige Überlegungen und Techniken zur Anwendung verantwortungsbewusster Prinzipien des maschinellen Lernens erläutert.

• Differenzielle Privatsphäre
• Modellinterpretierbarkeit
• Gerechtigkeit

Überwachungsmodelle:
Nach der Einführung eines Modells ist es wichtig zu verstehen, wie das Modell in der Produktion eingesetzt wird, und jede Beeinträchtigung seiner Wirksamkeit aufgrund von Datenabweichungen zu erkennen. Dieses Modul beschreibt Techniken zur Überwachung von Modellen und ihren Daten.

• Überwachungsmodelle mit Application Insights
• Überwachung der Datenverschiebung