Beschreibung
DP-100T01: Entwerfen und Implementieren einer Data Science-Lösung in Azure
Der Kurs "DP-100T01: Entwerfen und Implementieren einer Data Science-Lösung in Azure" bietet eine praktische Einführung in die Verwendung von Azure-Diensten wie Azure Machine Learning und Azure Databricks zur Erstellung, Schulung und Bereitstellung von Machine Learning-Modellen. Die Teilnehmenden lernen, wie sie Daten vorbereiten und analysieren, Modelle trainieren und überwachen und die Modelle in Anwendungen integrieren können. Der Kurs besteht aus Vorlesungen und praktischen Übungen, die den Teilnehmenden die notwendigen Fähigkeiten vermitteln, um Data Science-Lösungen in der Azure-Cloud zu erstellen und zu implementieren.Kommende Starttermine
Wählen Sie aus 11 verfügbaren Startterminen
Inhalte / Module
- Einführung in Azure für Data Science-Lösungen
- Vorstellung des Kurses und der Lernziele
- Überblick über Azure-Dienste für Data Science-Lösungen
- Einrichten einer Azure-Umgebung für Data Science
- Datenvorbereitung in Azure
- Überblick über die Datenvorbereitung in Data Science-Lösungen
- Verwenden von Azure-Diensten für Datenvorbereitung wie Azure Data Factory, Azure Databricks und Azure Data Lake Storage
- Laden von Daten in Azure
- Datenaufbereitung in Azure
- Überblick über die Datenaufbereitung in Data Science-Lösungen
- Verwenden von Azure-Diensten für Datenaufbereitung wie Azure Machine Learning und Azure Databricks
- Erstellen von Features und Modellierung der Daten
- Modellierung in Azure
- Überblick über die Modellierung in Data Science-Lösungen
- Verwenden von Azure Machine Learning für die Modellierung
- Trainieren und Evaluieren von Modellen in Azure
- Überwachung und Verwaltung von Modellen in Azure
- Überblick über die Überwachung und Verwaltung von Modellen in Data Science-Lösungen
- Verwenden von Azure Machine Learning zur Überwachung und Verwaltung von Modellen
- Veröffentlichen von Modellen in Azure
- Bereitstellung von Machine Learning-Lösungen in Azure
- Überblick über die Bereitstellung von Machine Learning-Lösungen in Azure
- Verwenden von Azure Machine Learning zur Bereitstellung von Modellen
- Skalierung von Machine Learning-Lösungen in Azure
- Automatisierung und Überwachung von Machine Learning-Lösungen in Azure
- Überblick über die Automatisierung und Überwachung von Machine Learning-Lösungen in Azure
- Verwenden von Azure Machine Learning zur Automatisierung und Überwachung von Machine Learning-Lösungen
- Einrichten von Continuous Integration und Continuous Deployment (CI/CD) für Machine Learning-Lösungen
- Zusammenfassung und Ausblick
- Zusammenfassung der Kursinhalte und Lernziele
- Diskussion über bewährte Methoden für die Implementierung von Data Science-Lösungen in Azure
- Überblick über weitere Azure-Dienste und Ressourcen für Data Science-Lösungen
Wie können Sie ein Modell in Azure Machine Learning bereitstellen?
- Ein Modell kann in Azure Machine Learning bereitgestellt werden, indem es in einem Docker-Image verpackt und als Webservice bereitgestellt wird.
- Ein Azure Databricks-Cluster kann durch Optimieren von Spark-Konfigurationen und Verwendung von Databricks Delta zur Verwaltung von Big Data-Workloads optimiert werden.
- Azure Synapse Analytics kann verwendet werden, um eine Data-Warehouse-Lösung zu implementieren, indem man SQL On-Demand zum Abfragen von Daten und Synapse Studio zum Verwalten und Überwachen von Pipelines verwendet.
- Die Schritte bei der Datenbereinigung und -vorbereitung in Azure umfassen die Verwendung von Azure Data Factory zum Extrahieren von Daten, die Verwendung von Azure Data Bricks zum Bereinigen und Transformieren von Daten, die Verwendung von Azure Synapse Analytics zum Speichern von Daten sowie die Verwendung von Azure Machine Learning zum Trainieren von Modellen.
- Die Vorteile des automatisierten Machine Learning sind Zeitersparnis, Skalierbarkeit und Konsistenz, während manuelle Machine Learning-Methoden die volle Kontrolle über den Modellentwicklungsprozess bieten.
- Hyperparameter-Tuning in Azure Machine Learning kann durch Verwendung von Azure Machine Learning Designer, automatisches Machine Learning, HyperDrive oder Hyperparameter-Optimierung durchgeführt werden.
- Modellleistungsprobleme in Azure Machine Learning können durch Überwachen von Metriken, Durchführung von A/B-Tests und Durchführung von Fehleranalysen diagnostiziert und durch Verbesserung der Datenqualität, Anpassung des Modells oder Anpassung der Hyperparameter behoben werden.
- Der Export von Modellen aus Azure Machine Learning in eine produktive Umgebung kann durch Verwendung von Azure DevOps und Azure Kubernetes Service zur Verwaltung und Bereitstellung von Modellen erfolgen.
Zielgruppe / Voraussetzungen
Hinweis: Dieser Kurs richtet sich an Mitarbeitende aus Unternehmen und Institutionen.
Für Privatpersonen ist dieser Kurs leider nicht geeignet.
Eine Informationsanfrage zu diesem Kurs ist nur für Beteiligte aus dem B2B-Bereich sinnvoll.
Abschlussqualifikation / Zertifikat
Infos anfordern
GFU Cyrus AG
Erweitern Sie Ihre IT-Skills mit einem offenen IT-Training oder ganz nach Ihren Bedürfnissen durch eine individuelle IT-Schulung. Programmiersprachen (C#, Python, Java, …), Microsoft Office 365, Anforderungsmanagement, Projektmanagement, Business Intelligence, Data Science, Künstliche Intelligenz, IT-Sicherheit , Administration & Datenbanken, Softwareentwicklung, Testmanagement...
Erfahren Sie mehr über GFU Cyrus AG und weitere Kurse des Anbieters.
Anzeige