Курс рассматривает использование решений для машинного обучения в облачном масштабе с помощью Azure Machine Learning. Этот курс обучает использованию имеющихся знаний Python и машинного обучения для управления получением и подготовкой данных, обучением и развертыванием моделей, и мониторингом решений для машинного обучения в Microsoft Azure.
По окончании курса слушатели смогут:
- использовать язык программирования Python для машинного обучения в Microsoft Azure;
- управлять получением и подготовкой данных, обучением и развертыванием моделей, а также мониторингом решений машинного обучения в облаке;
- получить опыт работы с Scikit-Learn, PyTorch и Tensorflow.
Аудитория
Этот курс предназначен для специалистов по обработке данных, обладающих знаниями в области Python и систем машинного обучения, таких как Scikit-Learn, PyTorch и Tensorflow, которые хотят создавать и оперировать решениями для машинного обучения в облаке.
Для эффективного обучения на курсе, слушатели должны обладать следующими знаниями и навыками:
- иметь значительные знания по Microsoft Azure;
- опыт написания кода Python для работы с данными, используя такие библиотеки, как Numpy, Pandas и Matplotlib;
- ознакомленность с наукой о данных; включая понимание процесса подготовки данных и обучения моделей машинного обучения с использованием общих библиотек машинного обучения, таких как Scikit-Learn, PyTorch или Tensorflow.
- Введение в Azure Machine Learning
- Начало работы с Azure Machine Learning
- Инструменты Azure Machine Learning
- Машинное обучение без кода с использованием дизайнера
- Тренировочные модели с использованием дизайнера
- Публикационные модели с использованием дизайнера
- Использование экспериментов и тренировочных моделей
- Введение в эксперименты
- Тренировочные и регистрационные модели
- Работа с данными
- Работа с хранилищами данных
- Работа с наборами данных
- Вычисление контекстов
- Работа со средой
- Работа с вычислительными целями
- Оркестровочные операции с использованием конвейеров
- Введение в конвейеры
- Публикация и эксплуатация конвейеров
- Развертывание и использование моделей
- Логический вывод в реальном времени
- Пакетный логический вывод
- Тренировочные оптимальные модели
- Настройка гиперпараметра
- Автоматизированное машинное обучение
- Интерпретация моделей
- Введение в интерпретацию модели
- Использование пояснителей модели
- Мониторинг моделей
- Мониторинг моделей с использованием приложений
- Мониторинг смещения данных