DP-3007: Train and deploy a machine learning model with Azure Machine Learning

• Configurar un entorno de desarrollo en Azure Machine Learning
• Preparar datos para el entrenamiento de modelos
• Crear y configurar un script de entrenamiento de modelos como un trabajo de comando
• Administrar artefactos mediante MLflow
• Implementar un modelo para el consumo en tiempo real

Módulo 1 Hacer que los datos estén disponibles en Azure Machine Learning

• Descripción de los URI
• Creación de un almacén de datos
• Crear un recurso de datos
• Ejercicio: Hacer que los datos estén disponibles en Azure Machine Learning

Módulo 2 Trabajo con destinos de proceso en Azure Machine Learning

• Elección del destino de proceso adecuado
• Creación y uso de una instancia de proceso
• Creación y uso de un clúster de proceso
• Ejercicio: Trabajo con recursos de proceso

Módulo 3 Trabajo con entornos en Azure Machine Learning

• Información sobre los entornos
• Exploración y uso de entornos mantenidos
• Creación y uso de entornos personalizados
• Ejercicio: Trabajo con entornos

Módulo 4 Ejecución de un script de entrenamiento como un trabajo de comando en Azure Machine Learning

• Conversión de un cuaderno en un script
• Ejecución de un script como trabajo de comando
• Uso de parámetros en un trabajo de comando
• Ejercicio: Ejecución de un script de entrenamiento como un trabajo de comando

Módulo 5 Seguimiento del entrenamiento del modelo con MLflow en trabajos

• Realización de un seguimiento de métricas con MLflow
• Visualización de métricas y evaluación de modelos
• Ejercicio: Uso de MLflow para realizar un seguimiento de los trabajos de entrenamiento

Módulo 6 Registro de un modelo de MLFlow en Azure Machine Learning

• Registro de modelos con MLflow
• Descripción del formato de modelos de MLflow
• Registro de un modelo de MLflow
• Ejercicio: registro de modelos con MLflow

Módulo 7 Implementación de un modelo en un punto de conexión en línea administrado

• Exploración de puntos de conexión en línea administrados
• Implementación de un modelo de MLflow en un punto de conexión en línea administrado
• Implementación de un modelo en un punto de conexión en línea administrado
• Prueba de puntos de conexión en línea administrados
• Ejercicio: Implementación de un modelo de MLflow en un punto de conexión en línea

Se recomienda estar familiarizados con los servicios de Azure y  tener experiencia con Azure Machine Learning y Mlflow. Además, deben tener experiencia en realizar tareas relacionadas con el aprendizaje automático mediante Python.

• Curso: Inglés / Español
• Labs: Inglés / Español

Este curso forma parte de las Credenciales de Aptitudes aplicadas de Microsoft.

Para obtener esta credencial de Microsoft Applied Skills, los alumnos muestran la capacidad de entrenar y administrar modelos de aprendizaje automático con Azure Machine Learning.

Applied Skills: Explore todas las credenciales en una guía