Curso DP-100T01-A - sof-life
2024
page-template-default,page,page-id-2024,bridge-core-2.7.1,mega-menu-top-navigation,mega-menu-mobile-navigation,,qode_grid_1400,footer_responsive_adv,qode-overridden-elementors-fonts,qode_disabled_responsive_button_padding_change,qode-child-theme-ver-1.0.0,qode-theme-ver-25.6,qode-theme-bridge,hide_inital_sticky,qode_header_in_grid,elementor-default,elementor-kit-198,elementor-page elementor-page-2024

Curso DP-100T01-A

Designing and Implementing a Data Science Solution on Azure

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.

Conversa aquí con nosotros