DP-100 Designing and Implementing a Data Science Solution on Azure (DP-100T01)
Classroom Schulung | Deutsch | Anspruch
Schulungsdauer: 4 Tage
Ziele
Dieser Kurs DP-100 vermittelt das notwendige Wissen darüber, wie Sie Azure-Dienste zur Entwicklung, Schulung und Bereitstellung von automatisierten Lernlösungen nutzen können. Der Kurs beginnt mit einem Überblick über Azure-Dienste, die die Datenverarbeitung unterstützen. Dort wird der Fokus auf die Nutzung von Azures führendem Data Science Service, dem Azure Machine Learning Service gelegt, um die Data Science Pipeline zu automatisieren. Dieser Kurs konzentriert sich auf Azure und nicht auf die Datenverarbeitung.
Zielgruppe
Dieser Kurs richtet sich an Datenspezialisten und Personen mit hoher Verantwortung für die Entwicklung und den Einsatz von Modellen des maschinellen Lernens.
Voraussetzungen
Kenntnisse der Datenverarbeitung.
Agenda
Entwerfen einer Datenübernahme-Strategie für Machine Learning-Projekte
- Identifizieren der Datenquelle und des Formats
- Wählen, wie Daten an Machine Learning-Workflows übergeben werden sollen
- Entwerfen einer Datenübernahme-Lösung
Entwerfen einer Lösung für das Training von Machine Learning-Modellen
- Identifizieren der Machine Learning-Aufgaben
- Auswählen eines Dienstes zum Trainieren eines Modells aus
- Auswählen zwischen Rechenoptionen
Entwerfen einer Lösung für die Bereitstellung von Modellen
- Verstehen, wie ein Modell genutzt wird
- Entscheiden, ob das Modell an einen Echtzeit- oder Batch-Endpunkt bereitgestellt wird
Erkunden von Azure Machine Learning-Arbeitsbereich-Ressourcen und -Vermögenswerten
- Erstellen eines Azure Machine Learning-Arbeitsbereichs
- Identifizieren von Ressourcen und Vermögenswerten
- Trainieren von Modellen im Arbeitsbereich
Erkunden von Entwicklertools für die Interaktion mit dem Arbeitsbereich
- Azure Machine Learning-Studio
- Python Software Development Kit (SDK)
- Azure Command Line Interface (CLI)
Bereitstellen von Daten in Azure Machine Learning
- Arbeiten mit Uniform Resource Identifiers (URIs)
- Erstellen und Verwenden von Datenspeichern
- Erstellen und Verwenden von Data Assets
Arbeiten mit Rechenzielen in Azure Machine Learning
- Wählen des geeigneten Rechenziels aus
- Erstellen und Verwenden einer Recheninstanz
- Erstellen und Verwenden eines Rechenclusters
Arbeiten mit Umgebungen in Azure Machine Learning
- Verständnis von Umgebungen in Azure Machine Learning
- Erkunden und Verwenden von zusammengestellten Umgebungen
- Erstellen und Verwenden von benutzerdefinierten Umgebungen
Finden des besten Klassifikationsmodells mit Automated Machine Learning
- Vorbereiten von Daten zur Verwendung von AutoML für die Klassifikation
- Konfigurieren und Ausführen eines AutoML-Experiments
- Bewerten und Vergleichen von Modellen
Verfolgen von Modell-Trainings in Jupyter-Notebooks mit MLflow
- Konfigurieren zur Verwendung von MLflow in Notebooks
- Verwenden von MLflow zur Modellverfolgung in Notebooks
Ausführen eines Trainings-Skripts als Befehlsjob in Azure Machine Learning
- Umwandeln eines Notebooks in ein Skript
- Testen von Skripts in einem Terminal
- Ausführen eines Skripts als Befehlsjob
- Verwenden von Parametern in einem Befehlsjob
Verfolgen von Modell-Trainings mit MLflow in Jobs
- Verwendung von MLflow bei der Ausführung eines Skripts als Job
- Überprüfen von Metriken, Parametern, Artefakten und Modellen aus einem Flow
Ausführen von Pipelines in Azure Machine Learning
- Erstellen von Komponenten
- Erstellen einer Azure Machine Learning-Pipeline
- Ausführen einer Azure Machine Learning-Pipeline
Durchführen von Hyperparameter-Tuning mit Azure Machine Learning
- Definition eines Suchraums für Hyperparameter
- Konfigurieren der Abtastung der Hyperparameter
- Auswahl einer Richtlinie zur vorzeitigen Beendigung
- Ausführen eines Suchjobs für Hyperparameter
Bereitstellen eines Modells an einen verwalteten Online-Endpunkt
- Verwendung von verwalteten Online-Endpunkten
- Bereitstellen eines MLflow-Modells an einen verwalteten Online-Endpunkt
- Bereitstellen eines benutzerdefinierten Modells an einen verwalteten Online-Endpunkt
- Testen von Online-Endpunkten
Bereitstellen eines Modells an einen Batch-Endpunkt
- Erstellen eines Batch-Endpunkts
- Bereitstellen eines MLflow-Modells an einen Batch-Endpunkt
- Bereitstellen eines benutzerdefinierten Modells an einen Batch-Endpunkt
- Aufrufen von Batch-Endpunkten
Ziele
Dieser Kurs DP-100 vermittelt das notwendige Wissen darüber, wie Sie Azure-Dienste zur Entwicklung, Schulung und Bereitstellung von automatisierten Lernlösungen nutzen können. Der Kurs beginnt mit einem Überblick über Azure-Dienste, die die Datenverarbeitung unterstützen. Dort wird der Fokus auf die Nutzung von Azures führendem Data Science Service, dem Azure Machine Learning Service gelegt, um die Data Science Pipeline zu automatisieren. Dieser Kurs konzentriert sich auf Azure und nicht auf die Datenverarbeitung.
Zielgruppe
Dieser Kurs richtet sich an Datenspezialisten und Personen mit hoher Verantwortung für die Entwicklung und den Einsatz von Modellen des maschinellen Lernens.
Voraussetzungen
Kenntnisse der Datenverarbeitung.
Agenda
Entwerfen einer Datenübernahme-Strategie für Machine Learning-Projekte
- Identifizieren der Datenquelle und des Formats
- Wählen, wie Daten an Machine Learning-Workflows übergeben werden sollen
- Entwerfen einer Datenübernahme-Lösung
Entwerfen einer Lösung für das Training von Machine Learning-Modellen
- Identifizieren der Machine Learning-Aufgaben
- Auswählen eines Dienstes zum Trainieren eines Modells aus
- Auswählen zwischen Rechenoptionen
Entwerfen einer Lösung für die Bereitstellung von Modellen
- Verstehen, wie ein Modell genutzt wird
- Entscheiden, ob das Modell an einen Echtzeit- oder Batch-Endpunkt bereitgestellt wird
Erkunden von Azure Machine Learning-Arbeitsbereich-Ressourcen und -Vermögenswerten
- Erstellen eines Azure Machine Learning-Arbeitsbereichs
- Identifizieren von Ressourcen und Vermögenswerten
- Trainieren von Modellen im Arbeitsbereich
Erkunden von Entwicklertools für die Interaktion mit dem Arbeitsbereich
- Azure Machine Learning-Studio
- Python Software Development Kit (SDK)
- Azure Command Line Interface (CLI)
Bereitstellen von Daten in Azure Machine Learning
- Arbeiten mit Uniform Resource Identifiers (URIs)
- Erstellen und Verwenden von Datenspeichern
- Erstellen und Verwenden von Data Assets
Arbeiten mit Rechenzielen in Azure Machine Learning
- Wählen des geeigneten Rechenziels aus
- Erstellen und Verwenden einer Recheninstanz
- Erstellen und Verwenden eines Rechenclusters
Arbeiten mit Umgebungen in Azure Machine Learning
- Verständnis von Umgebungen in Azure Machine Learning
- Erkunden und Verwenden von zusammengestellten Umgebungen
- Erstellen und Verwenden von benutzerdefinierten Umgebungen
Finden des besten Klassifikationsmodells mit Automated Machine Learning
- Vorbereiten von Daten zur Verwendung von AutoML für die Klassifikation
- Konfigurieren und Ausführen eines AutoML-Experiments
- Bewerten und Vergleichen von Modellen
Verfolgen von Modell-Trainings in Jupyter-Notebooks mit MLflow
- Konfigurieren zur Verwendung von MLflow in Notebooks
- Verwenden von MLflow zur Modellverfolgung in Notebooks
Ausführen eines Trainings-Skripts als Befehlsjob in Azure Machine Learning
- Umwandeln eines Notebooks in ein Skript
- Testen von Skripts in einem Terminal
- Ausführen eines Skripts als Befehlsjob
- Verwenden von Parametern in einem Befehlsjob
Verfolgen von Modell-Trainings mit MLflow in Jobs
- Verwendung von MLflow bei der Ausführung eines Skripts als Job
- Überprüfen von Metriken, Parametern, Artefakten und Modellen aus einem Flow
Ausführen von Pipelines in Azure Machine Learning
- Erstellen von Komponenten
- Erstellen einer Azure Machine Learning-Pipeline
- Ausführen einer Azure Machine Learning-Pipeline
Durchführen von Hyperparameter-Tuning mit Azure Machine Learning
- Definition eines Suchraums für Hyperparameter
- Konfigurieren der Abtastung der Hyperparameter
- Auswahl einer Richtlinie zur vorzeitigen Beendigung
- Ausführen eines Suchjobs für Hyperparameter
Bereitstellen eines Modells an einen verwalteten Online-Endpunkt
- Verwendung von verwalteten Online-Endpunkten
- Bereitstellen eines MLflow-Modells an einen verwalteten Online-Endpunkt
- Bereitstellen eines benutzerdefinierten Modells an einen verwalteten Online-Endpunkt
- Testen von Online-Endpunkten
Bereitstellen eines Modells an einen Batch-Endpunkt
- Erstellen eines Batch-Endpunkts
- Bereitstellen eines MLflow-Modells an einen Batch-Endpunkt
- Bereitstellen eines benutzerdefinierten Modells an einen Batch-Endpunkt
- Aufrufen von Batch-Endpunkten