Projetando e Implementando uma Solução de Ciência de Dados no Azure

sobre o curso 32h

Saiba como operar soluções de machine learning em escala de nuvem usando o Azure Machine Learning. Este curso ensina você a aproveitar seu conhecimento existente de Python e aprendizado de máquina para gerenciar a ingestão e preparação de dados, treinamento e implantação de modelos e monitoramento de soluções de aprendizado de máquina com Azure Machine Learning e MLflow.

Perfil do público

Este curso foi desenvolvido para cientistas de dados com conhecimento existente de Python e estruturas de aprendizado de máquina como Scikit-Learn, PyTorch e Tensorflow, que desejam construir e operar soluções de aprendizado de máquina na nuvem.

Áreas

• Microsoft - Cursos OFICIAIS
• (AI) Inteligência Artificial

Conteúdo

1. Projetar uma solução de aprendizado de máquina

• Identificar a fonte de dados e o formato
• Escolha como fornecer dados para fluxos de trabalho de aprendizado de máquina
• Criar uma solução de ingestão de dados

2. Explorar o workspace do Azure Machine Learning

• Criar um workspace do Azure Machine Learning
• Identificar recursos do Azure Machine Learning
• Identificar ativos do Azure Machine Learning
• Treinar modelos no workspace

3. Trabalhar com os dados no Azure Machine Learning

• Entender URIs
• Criar um repositório de dadod
• Criar um ativo de dados

4. Trabalhar com computação no Azure Machine Learning

• Escolher o destino de computação apropriado
• Criar e usar uma instância de computação
• Criar e usar um cluster de computação

5. Automatizar a seleção do modelo de machine learning com o Azure Machine Learning

• Pré-processar dados e configurar a definição de recursos
• Executar um experimento de ML automatizado
• Avaliar e comparar modelos

6. Usar notebooks para experimentação no Azure Machine Learning

• Configurar o MLflow para acompanhamento de modelo em notebooks
• Treinar e acompanhar modelos em notebooks

7. Treinar modelos com scripts no Azure Machine Learning

• Converter um notebook em um script
• Executar um script como um trabalho de comando
• Usar parâmetros em um trabalho de comando

8. Otimizar o treinamento de modelo com pipelines no Azure Machine Learning

• Criar componentes
• Criar um pipeline
• Executar um trabalho de pipeline

9. Gerenciar e examinar modelos no Azure Machine Learning

• Registrar modelos com o MLflow
• Entender o formato do modelo do MLflow
• Registrar um modelo MLflow

10. Implantar e consumir modelos com o Azure Machine Learning

• Explorar pontos de extremidade online gerenciados
• Implantar um modelo do MLflow em um ponto de extremidade online gerenciado
• Implantar um modelo em um ponto de extremidade online gerenciado
• Testar pontos de extremidade online gerenciados

Requisitos

Recomendado realizar o curso DP-900: Fundamentos de Dados no Azure e AI-900: Fundamentos de IA no Azure ou possuir conhecimentos equivalentes.

Mais Informações

MATERIAL DIDÁTICO EM INGLÊS