Datum
22/11/2024
Ganztägig
Kalender-Import: iCal
Veranstaltungsort
ETC Trainingscenter
Modecenterstraße 22, 1030 - Wien
Um ein Machine Learning-Modell mit Azure Machine Learning zu trainieren, müssen Sie Daten verfügbar machen und das entsprechende Compute konfigurieren. Nachdem Sie Ihre Modell- und Nachverfolgungsmodellmetriken mit MLflow trainiert haben, können Sie ihr Modell für Echtzeitvorhersagen auf einem Onlineendpunkt bereitstellen. In diesem Training erfahren Sie, wie Sie Ihren Azure Machine Learning-Arbeitsbereich einrichten, nach dem Sie ein Machine Learning-Modell trainieren und bereitstellen.
Make data available in Azure Machine Learning
– Understand URIs
– Create a datastore
– Create a data asset
Work with compute targets in Azure Machine Learning
– Choose the appropriate compute target
– Create and use a compute instance
– Create and use a compute cluster
Work with environments in Azure Machine Learning
– Understand environments
– Explore and use curated environments
– Create and use custom environments
Run a training script as a command job in Azure Machine Learning
– Convert a notebook to a script
– Run a script as a command job
– Use parameters in a command job
Track model training with MLflow in jobs
– Track metrics with MLflow
– View metrics and evaluate models
Register an MLflow model in Azure Machine Learning
– Log models with MLflow
– Understand the MLflow model format
– Register an MLflow model
Deploy a model to a managed online endpoint
– Explore managed online endpoints
– Deploy your MLflow model to a managed online endpoint
– Deploy a model to a managed online endpoint
– Test managed online endpoints
490,00
Kategorien