Designing and Implementing a Data Science Solution on Azure (DP-100)
Volg de DP-100 training Designing and Implementing a Data Science Solution on Azure. Leer hoe je machine learning-oplossingen op cloudschaal kunt gebruiken met Azure Machine Learning. In deze training leer je jouw bestaande kennis van Python en machine learning te gebruiken om gegevensopname en voorbereiding, modeltraining en -implementatie en monitoring van machine learning-oplossingen in Microsoft Azure te beheren.
Na afronding van deze training kun je onder andere:
Training: Designing and Implementing a Data Science Solution on Azure (DP-100)
Leer hoe je machine learning-oplossingen op cloudschaal kunt gebruiken met Azure Machine Learning. Deze DP-100 training leert je gebruik te maken van je bestaande kennis van Python en machine learning om voorbereiding, modeltraining en implementatie, en machine learning oplossing monitoring in Microsoft Azure te beheren.
Voor de rol van een succesvolle Azure Data Scientist heb je de volgende voorkennis nodig:
- Basiskennis van cloud computing concepten.
- Ervaring met algemene data science tools en technieken.
- Ervaring met machine learning tools en technieken.
Specifiek:
- Vaardigheid in het creëren van cloud resources in Microsoft Azure.
- Kennis van Python voor data-analyse en visualisatie.
- Ervaring met het trainen en valideren van machine learning-modellen met veelgebruikte frameworks zoals Scikit-Learn, PyTorch en TensorFlow.
- Kennis van het werken met containers.
Deze training is bedoeld voor datawetenschappers met bestaande kennis van Python en machine learning frameworks zoals Scikit-Learn, PyTorch en Tensorflow, die machine learning-oplossingen in de cloud willen bouwen en gebruiken.
Module 1: Aan de slag met Azure Machine Learning
In deze module leer je hoe je een Azure Machine Learning workspace kunt instellen en gebruiken om machine learning assets zoals data, compute, model training code, gelogde metrics en getrainde modellen te beheren. Je leert hoe je de webgebaseerde Azure Machine Learning studio interface gebruikt, evenals de Azure Machine Learning SDK en ontwikkelaarstools zoals Visual Studio Code en Jupyter Notebooks om te werken met de assets in je workspace.
- Inleiding tot Azure Machine Learning
- Werken met Azure Machine Learning
Lab : Een Azure Machine Learning-werkruimte makenNa het voltooien van deze module bent u in staat om
- Een Azure Machine Learning werkruimte in te richten
- Tools en codes te gebruiken om te werken met Azure Machine Learning
Module 2: No-Code Machine Learning
Deze module introduceert de visuele tools, Automated Machine Learning en Designer, die je kunt gebruiken om machine learning modellen te trainen, evalueren en implementeren zonder code te schrijven.
- Automated Machine Learning
- Azure Machine Learning Designer
Lab : Geautomatiseerd machinaal lerenLab : Azure Machine Learning Ontwerper
Na het afronden van deze module ben je in staat om:
- Automatisch machinaal te leren gebruiken om een machine learning model te trainen
- Azure Machine Learning Designer te gebruiken om een model te trainen
Module 3: Experimenten uitvoeren en modellen trainen
In deze module ga je aan de slag met experimenten die gegevensverwerking en modeltrainingscode inkapselen. Uiteindelijk ga je ze gebruiken om machine-learningmodellen te trainen.
- Inleiding tot experimenten
- Modellen trainen en registreren
Lab : Experimenten uitvoerenLab : Modellen trainen
Na deze module ben je in staat om:
- Op code gebaseerde experimenten uit te voeren in een Azure Machine Learning workspace
- Machine Learning modellen te trainen en registreren
Module 4: Werken met data
Data is een fundamenteel element in elke machine learning workload, dus in deze module leer je hoe je datastores en datasets aanmaakt en beheert in een Azure Machine Learning workspace. Daarnaast leer je ook hoe je ze gebruikt in modeltrainingsexperimenten.
- Werken met datastores
- Werken met datasets
Lab : Werken met data
Na het afronden van deze module ben je in staat om:
- Datastores aan te maken en te gebruiken
- Datasets te maken en gebruiken
Module 5: Werken met compute
Een van de belangrijkste voordelen van de cloud is de mogelijkheid om op aanvraag computermiddelen te gebruiken en deze te gebruiken om machine-learningprocessen te schalen tot een mate die niet haalbaar zou zijn op uw eigen hardware. In deze module leer je hoe je experimentomgevingen beheert die consistente runtime voor experimenten garanderen en hoe je computerdoelen aanmaakt en gebruikt voor experimentruns.
- Werken met omgevingen
- Werken met Compute Targets
Lab : Werken met Compute
Na deze module ben je in staat om:
- Omgevingen maken en gebruiken
- Compute targets aanmaken en gebruiken
Module 6: Operaties orkestreren met pijplijnen
Nu je de basisprincipes begrijpt van het uitvoeren van workloads als experimenten die gebruikmaken van data-assets en computermiddelen, is het tijd om te leren hoe je deze workloads kunt orkestreren als pijplijnen van verbonden stappen. Pijplijnen zijn de sleutel tot het implementeren van een effectieve Machine Learning Operationalization (ML Ops) oplossing in Azure, dus je zult onderzoeken hoe je ze kunt definiëren en uitvoeren in deze module.
Lessons
- Inleidingen tot pijplijnen
- Pijplijnen publiceren en uitvoeren
Lab : Creëer een pijplijn
Na deze module ben je in staat om:
- Pijplijnen creëren om machine learning workflows te automatiseren
- Pijplijn services publiceren en uitvoeren
Module 7: Modellen implementeren en gebruiken
Modellen zijn ontworpen om te helpen bij het nemen van beslissingen door voorspellingen, dus ze zijn alleen nuttig als ze worden ingezet en beschikbaar zijn voor een applicatie om te consumeren. In deze module leer je hoe je modellen kunt implementeren voor real-time inferentie en voor batch inferentie.
- Real-time inferentie
- Batch inferentie
- Continue integratie en levering
Lab : Creëer een realtime inferentieserviceLab : Creëer een batch inferentieservice
Na het afronden van deze module ben je in staat om:
- Een model publiceren als een real-time inferentieservice
- Een model publiceren als een batch inferentieservice
- Technieken beschrijven om continue integratie en oplevering te implementeren
Module 8: Optimale modellen trainen
In dit stadium van de cursus hebt u het volledige proces geleerd voor het trainen, implementeren en gebruiken van machine-learningmodellen. Maar hoe zorgt u ervoor dat uw model de beste voorspellende resultaten voor uw gegevens oplevert? In deze module onderzoekt u hoe u hyperparameter tuning en geautomatiseerd machine learning kunt gebruiken om te profiteren van cloud-scale compute en het beste model voor uw gegevens te vinden.
- Hyperparameter afstemmenGeautomatiseerd machinaal leren
Lab : Hyperparameters afstemmenLab : Geautomatiseerd machinaal leren van de SDK gebruiken
Na het voltooien van deze module ben je in staat om:
- Hyperparameters optimaliseren voor modeltraining
- Automatisch machinaal leren gebruiken om het optimale model voor uw gegevens te vinden
Module 9: Verantwoord machinaal leren
Datawetenschappers hebben de plicht om ervoor te zorgen dat ze op verantwoorde wijze gegevens analyseren en modellen voor machinaal leren trainen; ze moeten de privacy van individuen respecteren, vooroordelen beperken en transparantie garanderen. Deze module onderzoekt enkele overwegingen en technieken voor het toepassen van verantwoorde principes voor machinaal leren.
- Differentiële privacy
- Interpretatie van modellen
Lab : Differentiële privacy verkennenLab : Modellen interpreterenLab : Oneerlijkheid detecteren en beperken
Na het afronden van deze module ben je in staat om:
- Differentiële privacy toepassen op gegevensanalyse
- Uitleggers gebruiken om modellen voor machinaal leren te interpreteren
- Modellen evalueren op eerlijkheid
Module 10: Model bewaken
Nadat een model is geïmplementeerd, is het belangrijk om te begrijpen hoe het model in de productie wordt gebruikt en om eventuele degradatie in de effectiviteit door datadrift te detecteren. Deze module beschrijft technieken voor het bewaken van modellen en hun gegevens.
- Monitoring Models with Application Insights
- Monitoring Data Drift
Lab : Modellen bewaken met Application InsightsLab : Datadrift bewaken
Na afloop van deze module ben je in staat om:
- Application Insights gebruiken om een gepubliceerd model te monitoren
- Data drift te monitoren
In de klas, online of beiden.
Active Learning
Je maakt samen met je trainer een plan en gaat actief aan de slag. In een kleine klas verdiepen in wat je echt nodig hebt, inzoomen op zaken die je echt interesseren en overslaan wat je al weet of niet nodig hebt. Plan je lesdagen flexibel, neem real-life casussen mee en werk ze uit met je trainer. Verrijk je kennis en verbind het met alles wat je al wist.
E-Learning
Ben je op zoek naar volledige zelfstudie? Wij bieden je de mogelijkheid om jouw training volledig in jouw eigen tijd te volgen. Uiteraard met het officiële lesmateriaal waarmee je de juiste kennis opdoet.
Wil je toch graag een dag persoonlijke begeleiding? Dan kan je altijd een extra lesdag bij boeken en de training als blended learning volgen!
Incompany
Wist jij dat alle IT trainingen die we aanbieden op de website ook bij jouw bedrijf uitgevoerd kunnen worden? Zo volg je een maatwerk IT training (Incompany training) met al je collega’s. Jij kunt de training nog specifieker voor jouw bedrijf laten inrichten en het is zelfs mogelijk om een geheel maatwerk traject door ons te laten ontwerpen.
Je bespaart reiskosten en reistijd voor de deelnemers, doordat onze trainer bij jou op locatie komt. Op deze manier kun je meerdere deelnemers van jouw organisatie dezelfde training laten volgen. Dat is efficiënt en effectief! Samen heb je een gemeenschappelijke opleidingsbehoefte en daar gaan we je bij helpen.
We hebben jarenlang ervaring in het geven van maatwerk it trainingen. We kijken zorgvuldig naar de opleidingsbehoefte om volledig aan te sluiten bij je wensen. Zo formuleren we haalbare en concrete doelstellingen en deelnemers kunnen het geleerde in de praktijk toepassen. Op deze manier groeien deelnemers persoonlijk en professioneel op meerdere niveaus.