DP-100 Designing and Implementing a Data Science Solution on Azure

4 Tage

Online Live Training in Englisch

Jetzt Angebot einholen

In diesem Kurs lernst du von Grund auf, wie du Daten sammeln, speichern, verarbeiten und analysieren kannst, um Geschäftsentscheidungen zu unterstützen und Mehrwert für dein Unternehmen zu schaffen. Du wirst tief in die Azure-Datenwelt eintauchen und praktische Erfahrungen sammeln, indem du reale Szenarien simulierst und Lösungen entwirfst, die den Anforderungen deiner Organisation entsprechen.

Zu den Schwerpunkten gehören:

  • Datenmanagement auf Azure: Erfahre, wie du Azure-Dienste wie Azure Blob Storage, Azure SQL Database und Azure Cosmos DB nutzen kannst, um Daten sicher zu speichern und zu verwalten.
  • Datenanalyse und -visualisierung: Lerne, wie du Azure-Dienste wie Azure Databricks und Azure Synapse Analytics verwenden kannst, um Daten zu analysieren, Muster zu erkennen und aussagekräftige Visualisierungen zu erstellen.
  • Machine Learning und prädiktive Analytik: Vertiefe dein Verständnis für Azure Machine Learning und erfahre, wie du prädiktive Modelle entwickeln und trainieren kannst, um zukünftige Ereignisse vorherzusagen und fundierte Entscheidungen zu treffen.
  • Skalierbare Lösungen entwickeln: Entdecke bewährte Methoden und Techniken, um skalierbare Datenlösungen auf Azure zu entwerfen und zu implementieren, die den Anforderungen deines Unternehmens gerecht werden.

Dieser Kurs richtet sich an:

Datenwissenschaftler, Entwickler und IT-Profis, die ihre Fähigkeiten im Umgang mit Daten erweitern und die Leistungsfähigkeit der Azure-Plattform nutzen möchten. Nach Abschluss des Kurses wirst du bereit sein, datengesteuerte Entscheidungen zu treffen und innovative Lösungen zu entwickeln, die dein Unternehmen voranbringen.
 

Kursinhalte
  • Identifizierung der Datenquelle und des Datenformats
  • Auswählen, wie Daten für maschinelle Lernabläufe bereitgestellt werden sollen
  • Entwerfen einer Lösung für die Datenübernahme
  • Identifizieren von Aufgaben des maschinellen Lernens
  • Auswahl eines Dienstes zum Trainieren eines maschinellen Lernmodells
  • Entscheidung zwischen Berechnungsoptionen
  • Verstehen, wie das Modell genutzt werden soll
  • Entscheidung über Echtzeit- oder Batch-Bereitstellung
  • Erkunden einer MLOps-Architektur
  • Entwurf für die Überwachung
  • Entwurf für Umschulung
  • Erstellen eines Azure Machine Learning-Arbeitsbereichs
  • Identifizieren von Azure Machine Learning-Ressourcen
  • Identifizieren von Azure Machine Learning- Assets
  • Modelle im Arbeitsbereich trainieren
  • Das Studio erkunden
  • Python SDK erforschen
  • CLI erforschen
  • Verstehen von URIs
  • Erstellen eines Datenspeichers
  • Ein Daten-Asset erstellen
  • Das geeignete Berechnungsziel auswählen
  • Erstellen und verwenden Sie eine Recheninstanz
  • Einen Compute-Cluster erstellen und verwenden
  • Umgebungen verstehen
  • Kuratierte Umgebungen erforschen und nutzen
  • Benutzerdefinierte Umgebungen erstellen und verwenden
  • Aufbereitung der Daten und Konfiguration der Funktionalisierung
  • Ein automatisiertes Experiment zum maschinellen Lernen durchführen
  • Modelle auswerten und vergleichen
  • MLflow für die Modellverfolgung in Notizbüchern konfigurieren
  • Modelle in Notizbüchern trainieren und verfolgen
  • Ein Notizbuch in ein Skript umwandeln
  • Ein Skript als Kommandoauftrag ausführen
  • Parameter in einem Befehlsauftrag verwenden
  • Metriken mit MLflow verfolgen
  • Metriken anzeigen und Modelle bewerten
  • Definieren eines Suchraums
  • Konfigurierung einer Stichprobenmethode
  • Frühzeitige Beendigung konfigurieren
  • Einen Sweep-Job für die Abstimmung der Hyperparameter verwenden
  • Komponenten erstellen
  • Eine Pipeline erstellen
  • Ausführen eines Pipeline-Jobs
  • Protokollmodelle mit MLflow
  • Verstehen des MLflow-Modellformats
  • Ein MLflow-Modell registrieren
  • Verantwortungsvolle KI verstehen
  • Das Dashboard für verantwortungsvolle KI erstellen
  • Das Dashboard für verantwortungsvolle KI auswerten
  • Untersuchen von verwalteten Online-Endpunkten
  • Bereitstellung des MLflow-Modells für einen verwalteten Online-Endpunkt
  • Bereitstellen eines Modells für einen verwalteten Online-Endpunkt
  • Verwaltete Online-Endpunkte testen
  • Verstehen und erstellen von Batch-Endpunkten
  • MLflow-Modell an einem Batch-Endpunkt bereitstellen
  • Bereitstellen eines benutzerdefinierten Modells für einen Batch-Endpunkt
  • Aufrufen von Batch-Endpunkten und Fehlerbehebung