À propos du cours
- Comprendre et utiliser le Team Data Science Process (TDSP) pour définir clairement les objectifs commerciaux et les critères de réussite
- Utiliser un système de référentiel de code avec Azure Machine Learning Workbench en utilisant la structure TDSP
- Créer un exemple d'environnement
- Utiliser le TDSP et l'AMLS pour l'acquisition et la compréhension des données
- Utiliser le TDSP et l'AMLS pour créer une expérience avec un modèle et évaluer des modèles
- Utiliser le TDSP et l'AMLS pour le déploiement
- Utiliser le TDSP et l'AMLS pour la clôture du projet et l'acceptation du client
- Exécutez des workflows de préparation de données et entraînez vos modèles sur des machines virtuelles Data Science distantes (avec ou sans GPU) et des clusters HDInsight exécutant Spark
- Gérer et comparer des modèles avec Azure Machine Learning
- Explorez les hyper-paramètres sur Spark à l'aide d'Azure Machine Learning
- Tirer parti de la formation Batch AI pour la formation parallèle sur les GPU
- Déployer et consommer un service de scoring sur Azure Container Service
- Collecter et analyser les données d'un service de notation en production pour faire progresser le cycle de vie de la science des données.
Contenu provenant de Microsoft
Conditions préalables
Important! Vous devez remplir les conditions d'installation et requises suivantes avant de participer au camp d'entraînement :
Modules
Introduction et contexte
Atelier 3.1 : Introduction au processus de science des données en équipe avec Azure Machine Learning
Atelier 3.2 : Comparaison et gestion de modèles avec Azure Machine Learning
Lab 3.3 : Déployer un workflow d'ingénierie de données ou de formation de modèles dans un environnement d'exécution à distance
Lab 3.4 : Gestion des environnements conda pour les workflows Azure Machine Learning
Résumé et discussion sur tableau blanc
Introduction et contexte.
Atelier 4.1 : Explorer les hyper-paramètres sur Spark à l'aide d'Azure Machine Learning
Atelier 4.2 : Tirer parti de la formation Batch AI pour une formation parallèle sur les GPU
Atelier 4.3 : Déployer un service de scoring sur Azure Container Service
Lab 4.4 : Consommation du service final
- 15h00-15h50 : Lab 4.5 : Collecter et analyser les données d'un service de notation
-Résumé
