MS/DP-100v2 : Designing and Implementing a Data Science Solution on Azure

4 gün (24 Saat) Orta Sınıf / Online Yapay Zeka ve Makine Öğrenimi

Bu eğitim, modern yapay zeka uygulamalarının temelini oluşturan veri bilimi ve makine öğrenimi iş akışlarını Azure Machine Learning üzerinde yönetmek isteyen profesyoneller için hazırlanmıştır. Program boyunca katılımcılar; veri bilimi projeleri için uygun bir çalışma alanı tasarlamayı, Azure Machine Learning ile veri keşfi yapmayı ve makine öğrenimi modelleri geliştirmeyi uygulamalı olarak öğrenir. Eğitim, yalnızca model geliştirmeyle sınırlı kalmayıp, üretim ortamında gerekli olan işlem hatları (pipelines), otomasyon ve model yönetimi gibi ileri seviye konuları da kapsar. Katılımcılar; MLflow ile model takibi ve yaşam döngüsü yönetimi, Azure AI Foundry ile dil modellerini optimize etme ve ölçeklenebilir yapay zeka çözümlerini devreye alma gibi uçtan uca MLOps yetenekleri kazanır. Bu eğitim sonunda katılımcılar: Veri bilimi iş yükleri için uygun Azure ortamını tasarlayabilir, Python SDK (v2) ile Azure Machine Learning workspace üzerinde etkin bir şekilde çalışabilir, Eğitim işlerini (jobs) ve pipeline’ları yönetebilir, Modellerini üretim ortamında güvenle dağıtabilir ve izleyebilir, Dil modellerini optimize ederek yapay zeka uygulamalarında verimli şekilde kullanabilir. Azure üzerinde uçtan uca makine öğrenimi süreçlerini profesyonel düzeyde yönetmek isteyen veri bilimciler, makine öğrenimi mühendisleri ve yapay zeka alanında uzmanlaşmak isteyen herkes için ideal bir eğitimdir.

Eğitim İçeriği

Module 1: Design a machine learning training solution

  • Understand the machine learning process
  • Define the problem
  • Get and prepare the data
  • Choose how to serve data to machine learning workflows
  • Design a data ingestion solution
  • Train a model
  • Choose a service to train a machine learning model
  • Decide between compute options
  • Integrate the model
  • Decide on real-time or batch deployment
  • Design an MLOps architecture
  • Monitor the model

Module 2: Explore and configure the Azure Machine Learning workspace

  • Introducing Azure Machine Learning
  • Understand the Azure Machine Learning service
  • Create the workspace
  • Explore the workspace in the Azure portal
  • Give access to the Azure Machine Learning workspace
  • Introducing Azure Machine Learning
  • Work with resources
  • Choose the appropriate compute target
  • Configure the compute instance
  • Create and manage assets
  • Explore model training options
  • Explore algorithms and hyperparameter values with Automated Machine Learning
  • Run a notebook
  • Run a script as a job
  • Introducing Azure Machine Learning
  • Explore the studio
  • Use the Python SDK
  • Understand the Azure CLI
  • Install the Azure Machine Learning Extension
  • Explore the Visual Studio Code extension

Module 3: Experiment with Azure Machine Learning

  • Explore model training options
  • Understand Automated Machine Learning
  • Explore Automated Machine Learning
  • Find the best classification model with Automated Machine Learning
  • Preprocess data and configure featurization
  • Understand scaling and normalization
  • Run an Automated Machine Learning experiment
  • Restrict algorithm selection
  • Configure an AutoML experiment
  • Submit an AutoML experiment
  • Evaluate and compare models
  • Explore preprocessing steps
  • Retrieve the best run and its model
  • Track model training in notebooks with MLflow

Module 4: Optimize model training with Azure Machine Learning

  • Run a training script as a command job in Azure Machine Learning
  • Track model training with MLflow in jobs
  • Perform hyperparameter tuning with Azure Machine Learning
  • Run pipelines in Azure Machine Learning

Module 5: Manage and evaluate models in Azure Machine Learning

  • Register an MLflow model in Azure Machine Learning
  • Create and explore the Responsible AI dashboard

Module 6: Deploy and consume models with Azure Machine Learning

  • Deploy a model to a managed online endpoint
  • Deploy a model to a batch endpoint

Module 7: Optimize language models for generative AI applications

  • Explore and deploy models from the model catalog
  • Optimize model performance through prompt engineering
  • Optimize through Retrieval Augmented Generation (RAG)
  • Optimize through fine-tuning

Öncesinde Önerilenler

Öncesinde önerilen herhangi bir eğitim mevcut değil.

Sonrasında Önerilenler

Sonrasında önerilen herhangi bir eğitim mevcut değil.