Não vá embora!
Carga horária: 24 horas
DP-100T01: Designing and Implementing a Data Science Solution on Azure
Saiba como operar soluções de aprendizado de máquina em escala de nuvem usando o Azure Machine Learning. Este curso ensina a aproveitar seu conhecimento existente sobre Python e aprendizado de máquina para gerenciar a ingestão e preparação de dados, o treinamento e a implantação de modelos e o monitoramento de soluções de aprendizado de máquina no Microsoft Azure.
CONSULTE-NOS
24 horas
Presencial
Online ao Vivo
Idioma: Inglês
Sujeito a alteração sem aviso prévio
No Curso online você tem aulas digitais e interage com mentores reais ao vivo. Já no Curso a distância, tanto o conteúdo, quanto a interação são digitais.
Módulo 1: Introdução ao Azure Machine Learning
Neste módulo, você aprenderá como provisionar um espaço de trabalho do Azure Machine Learning e usá-lo para gerenciar ativos de aprendizado de máquina, como dados, computação, código de treinamento do modelo, métricas registradas e modelos treinados. Você aprenderá como usar a interface do estúdio do Azure Machine Learning com base na Web, o SDK do Azure Machine Learning e as ferramentas de desenvolvedor, como o Visual Studio Code e o Jupyter Notebooks, para trabalhar com os ativos em sua área de trabalho.
Introdução ao Azure Machine Learning
Módulo 2: Aprendizado de máquina sem código com o Designer Este módulo apresenta a ferramenta Designer, uma interface de arrastar e soltar para criar modelos de aprendizado de máquina sem escrever nenhum código. Você aprenderá como criar um pipeline de treinamento que encapsule a preparação de dados e o treinamento do modelo e, em seguida, converter esse pipeline de treinamento em um pipeline de inferência que pode ser usado para prever valores de novos dados, antes de finalmente implantar o pipeline de inferência como um serviço para aplicativos clientes consumir.
Criando um pipeline de treinamento com o Azure ML DesignerLab: implantando um serviço com o Azure ML DesignerApós a conclusão deste módulo, você poderá
Use designer para treinar um modelo de aprendizado de máquina
Implantar um pipeline do Designer como um serviço
Módulo 3: Executando experimentos e modelos de treinamento Neste módulo, você começará com experimentos que encapsulam o processamento de dados e o código de treinamento do modelo e os usará para treinar modelos de aprendizado de máquina.
Módulo 4: Trabalhando com dados
Os dados são um elemento fundamental em qualquer carga de trabalho de aprendizado de máquina; portanto, neste módulo, você aprenderá como criar e gerenciar datastores e conjuntos de dados em um espaço de trabalho do Azure Machine Learning e como usá-los em experimentos de treinamento de modelo.
Módulo 4: Trabalhar com DataData é um elemento fundamental em qualquer carga de trabalho de aprendizado de máquina; portanto, neste módulo, você aprenderá como criar e gerenciar datastores e conjuntos de dados em um espaço de trabalho do Azure Machine Learning e como usá-los em experimentos de treinamento de modelo.
Módulo 5: Computar contextosUm dos principais benefícios da nuvem é a capacidade de aproveitar recursos de computação sob demanda e usá-los para dimensionar os processos de aprendizado de máquina em uma extensão que seria inviável em seu próprio hardware. Neste módulo, você aprenderá como gerenciar ambientes de experimentos que garantem consistência consistente em tempo de execução para experimentos e como criar e usar destinos de computação para execuções de experimentos.
Módulo 6: Orquestrando operações com pipelines Agora que você entende o básico da execução de cargas de trabalho como experimentos que aproveitam ativos de dados e computam recursos, é hora de aprender a orquestrar essas cargas de trabalho como pipelines de etapas conectadas. Os pipelines são a chave para implementar uma solução eficaz de Operacionalização de Aprendizado de Máquina (ML Ops) no Azure, para que você explore como defini-los e executá-los neste módulo.
Módulo 7: Implantando e consumindo modelos
Os modelos são projetados para ajudar na tomada de decisões por meio de previsões, portanto, só são úteis quando implantados e disponíveis para um aplicativo consumir. Neste módulo, aprenda como implantar modelos para inferências em tempo real e inferências em lote.
Módulo 8: Treinamento de modelos ótimos
Nesta etapa do curso, você aprendeu o processo de ponta a ponta para treinamento, implantação e consumo de modelos de aprendizado de máquina; mas como garantir que seu modelo produz as melhores saídas preditivas para seus dados? Neste módulo, você explorará como pode usar o ajuste de hiperparâmetros e o aprendizado de máquina automatizado para aproveitar a computação em escala de nuvem e encontrar o melhor modelo para seus dados.
Módulo 9: Interpretando modelos
Muitas das decisões tomadas pelas organizações e sistemas automatizados hoje são baseadas em previsões feitas por modelos de aprendizado de máquina. É cada vez mais importante entender os fatores que influenciam as previsões feitas por um modelo e determinar vieses não intencionais no comportamento do modelo. Este módulo descreve como você pode interpretar modelos para explicar como a importância do recurso determina suas previsões.
Módulo 10: Modelos de Monitoramento
Após a implantação de um modelo, é importante entender como o modelo está sendo usado na produção e detectar qualquer degradação em sua eficácia devido ao desvio de dados. Este módulo descreve técnicas para monitorar modelos e seus dados.
Antes de participar deste curso, os alunos devem ter:
Um conhecimento fundamental do Microsoft Azure
Experiência em escrever código Python para trabalhar com dados, usando bibliotecas como Numpy, Pandas e Matplotlib.
Compreensão da ciência de dados; incluindo como preparar dados e treinar modelos de aprendizado de máquina usando bibliotecas comuns de aprendizado de máquina, como Scikit-Learn, PyTorch ou Tensorflow.
+ 300.000 alunos treinados e milhares de alunos certificados em 12 anos
+ 12 premiações nacionais e internacionais como melhor centro de treinamentos do Brasil
+ 200 cursos presenciais e remotos nas áreas de tecnologia, gorvernança e negócios
+ 300 instrutores que fazem parte do maior corpo docente de tecnologia de negócios do Brasil