Azure Machine Learning (AML)

• Zrozumienie koncepcji uczenia maszynowego.
• Znajomość koncepcji przetwarzania w chmurze.
• Ogólne zrozumienie kontenerów (Docker) i orkiestracji (Kubernetes).
• Doświadczenie w programowaniu w języku Python lub R jest pomocne.
• Doświadczenie w pracy z wierszem poleceń.

Odbiorcy

• Inżynierowie zajmujący się nauką o danych
• Inżynierowie DevOps zainteresowani wdrażaniem modeli uczenia maszynowego
• Inżynierowie infrastruktury zainteresowani wdrażaniem modeli uczenia maszynowego
• Inżynierowie oprogramowania pragnący zautomatyzować integrację i wdrażanie funkcji uczenia maszynowego w swojej aplikacji

Azure Machine Learning (AML) to płatne, oparte na chmurze środowisko do szkolenia, wdrażania, automatyzacji, zarządzania i śledzenia modeli ML.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla inżynierów, którzy chcą korzystać z platformy Azure ML typu "przeciągnij i upuść" do wdrażania obciążeń Machine Learning bez konieczności zakupu oprogramowania i sprzętu oraz bez martwienia się o konserwację i wdrażanie.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Pisać wysoce dokładne modele uczenia maszynowego przy użyciu Python, R lub narzędzi o zerowym kodzie.
• Wykorzystywać dostępne zestawy danych i algorytmy Azure do trenowania i śledzenia modeli uczenia maszynowego i głębokiego uczenia się.
• Korzystaj z interaktywnego obszaru roboczego Azure do wspólnego opracowywania modeli ML.
• Wybieraj spośród różnych frameworków ML obsługiwanych przez Azure, takich jak PyTorch, TensorFlow i scikit-learn.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

Wprowadzenie

Przegląd funkcji i architektury Azure Machine Learning (AML)

Przegląd kompleksowego przepływu pracy w AML (potoki Azure Machine Learning)

Udostępnianie maszyn wirtualnych w chmurze

Rozważania dotyczące skalowania (procesory, GPU i układy FPGA)

Poruszanie się po Azure Machine Learning Studio

Przygotowywanie danych

Tworzenie modelu

Trenowanie i testowanie modelu

Rejestrowanie wytrenowanego modelu

Tworzenie obrazu modelu

Wdrażanie modelu

Monitorowanie modelu w środowisku produkcyjnym

Rozwiązywanie problemów

Podsumowanie i wnioski