Erfolgreiche Azure Data Scientists haben zu Beginn ihrer Tätigkeit bereits fundierte Kenntnisse zu Cloud Computing-Konzepten und Erfahrung mit allgemeinen Tools und Techniken in den Bereichen Data Science und maschinelles Lernen.
Dies gilt insbesondere in folgenden Fällen:
- Erstellen von Cloudressourcen in Microsoft Azure
- Verwenden von Python zum Untersuchen und Visualisieren von Daten
- Trainieren und Überprüfen von Machine Learning-Modellen mit gängigen Frameworks wie Scikit-Learn, PyTorch und TensorFlow
Lernen Sie, wie man mit Azure Machine Learning Lösungen im Cloudmaßstab bedient. In diesem Kurs lernen Sie, Ihr vorhandenes Wissen über Python und maschinelles Lernen zu nutzen, um die Datenerfassung und -aufbereitung, die Modellschulung und -bereitstellung sowie die Überwachung von Lösungen für maschinelles Lernen mit Azure Machine Learning und MLflow zu verwalten.
Dieser Training richtet sich an Datenwissenschaftler*innen 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.
Design a machine learning solution
- Design a data ingestion strategy for machine learning projects
- Design a machine learning model training solution
- Design a model deployment solution
- Design a machine learning operations solution
Explore the Azure Machine Learning workspace
- Explore Azure Machine Learning workspace resources and assets
- Explore developer tools for workspace interaction
Work with data in Azure Machine Learning
- Make data available in Azure Machine Learning
- Understand URIs
- Create a datastore
- Create a data asset
Work with compute in Azure Machine Learning
- Work with compute targets in Azure Machine Learning
- Work with environments in Azure Machine Learning
Automate machine learning model selection with Azure Machine Learning
- Find the best classification model with Automated Machine Learning
- Preprocess data and configure featurization
- Run an Automated Machine Learning experiment
- Evaluate and compare models
Use notebooks for experimentation in Azure Machine Learning
- Track model training in Jpyter notebooks with MLflow
Train models with scripts in Azure Machine Learning
- Run a training script as a command job in Azure Machine Learning
- Track model training with MLflow in jobs
- Perform hyperparameter tuning with Azure Machine Learning
Optimize model training with pipelines in Azure Machine Learning
- Run pipelines in Azure Machine Learning
Manage and review models in Azure Machine Learning
- Register an MLflow model in Azure Machine Learning
- Create and explore the Responsible AI dashboard for a model in Azure Machine Learning
Deploy and consume models with Azure Machine Learning
- Deoploy a model to a managed online endpoint
- Deploy a model to a batch endpoint
https://www.etc.at/seminare/DP-100T01