Curso MCADSA - Microsoft Certified Azure Data Scientist Associate - DP-100T01

Você sabe a diferença entre os cursos online e os cursos a distância?

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.

• Conteúdo Programático:

  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

  • Ferramentas de aprendizado de máquina do Azure
  • Criar um espaço de trabalho do Azure Machine LearningLab:
  • Trabalhando com as Ferramentas de Azure Machine Learning
  • Após a conclusão deste módulo, você poderá provisionar um espaço de trabalho do Azure Machine Learning
  • Use ferramentas e código para trabalhar com o 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.

  • Modelos de treinamento com designer
  • Publicando modelos com o Designer

  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.

  • Introdução às Experiências
  • Modelos de treinamento e registro
  • Laboratório: Executando experimentosLab: treinando e registrando modelos
  • Depois de concluir este módulo, você poderá executar experimentos baseados em código em um espaço de trabalho do Azure Machine Learning
  • Treinar e registrar 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.

  • Trabalhando com Datastores
  • Trabalhando com conjuntos de dados
  • Laboratório: Trabalhando com datastores
  • Laboratório: Trabalhando com conjuntos de dados
  • Depois de concluir este módulo, você poderá criar e consumir datastores
  • Criar e consumir conjuntos de dados

  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.

  • Trabalhando com Datastores
  • Trabalhando com conjuntos de dados
  • Trabalhando com Datastores
  • Trabalhando com conjuntos de dados Depois de concluir este módulo, você poderá criar e consumir datastores
  • Criar e consumir conjuntos de dados

  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.

  • Trabalhando com ambientes
  • Trabalhando com destinos de computação
  • Trabalhando com ambientes
  • Trabalhando com metas de computação Depois de concluir este módulo, você poderá criar e usar ambientes
  • Criar e usar destinos de computação

  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.

  • Introdução aos Pipelines
  • Publicando e executando pipelines
  • Criando um Pipeline
  • Publicando um Pipeline Após concluir este módulo, você poderá criar pipelines para automatizar fluxos de trabalho de aprendizado de máquina.
  • Publicar e executar serviços de pipeline

  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.

  • Inferência em tempo real
  • Inferência em lote
  • Criando um serviço de interferência em tempo real
  • Criando um serviço de inferência em lote
  • Depois de concluir este módulo, você poderá
  • Publicar um modelo como um serviço de inferência em tempo real
  • Publicar um modelo como um serviço de inferência 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.

  • Ajuste do hiperparâmetro
  • Aprendizado de máquina automatizado
  • Ajustando hiperparâmetros
  • Usando o Machine Learning automatizado
  • Depois de concluir este módulo, você poderá otimizar os hiperparâmetros para o treinamento do modelo.
  • Use o aprendizado de máquina automatizado para encontrar o modelo ideal 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.

  • Introdução à Interpretação de Modelos usando Model Explainers
  • Revendo explicações automatizadas de aprendizado de máquina
  • Interpretando modelos
  • Depois de concluir este módulo, você poderá gerar explicações de modelo com aprendizado de máquina automatizado.
  • Use explicadores para interpretar modelos de aprendizado de máquina

  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.

  • Monitorando modelos com o Application Insights
  • Monitoramento de desvio de dados
  • Monitorando um modelo com o Application Insights
  • Laboratório: Monitorando o desvio de dados
  • Depois de concluir este módulo, você poderá usar o Application Insights para monitorar um modelo publicado
  • Monitorar desvio de dados

• Pré-Requisito:

  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.