OBJETIVO
Aprenda a operar soluciones de aprendizaje automático a escala de la nube con Azure Machine Learning. Este curso le enseña a aprovechar su conocimiento existente de Python y el aprendizaje automático para administrar la ingesta y preparación de datos, la capacitación e implementación de modelos, y la supervisión de soluciones de aprendizaje automático en Microsoft Azure.
DURACION
24 Horas.
EXAMEN
DP-100
MODALIDAD
Presencial / Online
PERFIL DE AUDIENCIA
Este curso está diseñado para científicos de datos con conocimiento existente de Python y marcos de aprendizaje automático como Scikit-Learn, PyTorch y Tensorflow, que desean construir y operar soluciones de aprendizaje automático en la nube.
REQUISITOS PREVIOS
Los exitosos científicos de Azure Data comienzan este rol con un conocimiento fundamental de los conceptos de computación en nube, y experiencia en ciencia de datos generales y herramientas y técnicas de aprendizaje de máquinas.
Específicamente:
• Crear recursos de nube en Microsoft Azure.
• Usando Python para explorar y visualizar datos.
• Entrenamiento y validación de modelos de aprendizaje automático usando marcos comunes como Scikit-Learn, PyTorch y TensorFlow.
CONTENIDO
Módulo 1:
Introducción a Azure Machine Learning.
• Introducción a Azure Machine Learning.
• Herramientas de Azure Machine Learning.
Módulo 2:
Aprendizaje automático sin código con Designer.
• Modelos de capacitación con Designer.
• Publicación de modelos con Designer.
Módulo 3:
Ejecución de experimentos y modelos de entrenamiento.
• Introducción a los experimentos.
• Formación y registro de modelos.
Módulo 4:
Trabajar con datos.
• Trabajar con almacenes de datos.
• Trabajar con conjuntos de datos.
Módulo 5:
Calcular contextos.
• Trabajar con entornos.
• Trabajar con objetivos informáticos.
Módulo 6:
Orquestación de operaciones con canalizaciones.
• Introducción de canalizaciones.
• Publicación y ejecución de canalizaciones.
Módulo 7:
Implementación y consumo de modelos.
• Inferencia en tiempo real.
• Inferencia por lotes.
Módulo 8:
Entrenamiento de modelos óptimos.
• Ajuste de hiperparámetro.
• Aprendizaje automático automatizado.
Módulo 9:
Interpretar modelos.
• Introducción a la interpretación del modelo.
• usando explicaciones del modelo.
Módulo 10:
Modelos de supervisión.
• Modelos de supervisión con Application Insights.
• Supervisión de deriva de datos.