Дата прекращения поддержки - 30.04.2026
Курс на замену: AI-300T00: Operationalize machine learning and generative AI solutions
Цель курса – Предоставить слушателям знания и навыки использования служб Azure для разработки, обучения и развертывания решений машинного обучения. Курс включает в себя обзор служб Azure, поддерживающих науку о данных.
Аудитория
Курс предназначен для специалистов по данным (data scientists), обладающих знаниями языка программирования Python и систем машинного обучения, таких как Scikit-Learn, PyTorch и Tensorflow, для создания и использования решений машинного обучения в облаке.
По окончании курса слушатели смогут:
Создавать и использовать рабочую область Azure Machine Learning Workspace
Использовать инструменты и писать код с Azure Machine Learning
Использовать конструктор для обучения модели машинного обучения
Использовать Azure ML Designer для обучения модели
Выполнять эксперименты на основе кода в рабочей области Azure Machine Learning
Обучать модели машинного обучения
Создавать и использовать хранилища данных и наборы данных
Создавать и использовать вычисляемые среды и целевые показатели вычислений
Создавать конвейеры для автоматизации рабочих процессов машинного обучения.
Публиковать и запускать службы конвейера
Публиковать модель как сервис логического вывода в реальном времени
Публиковать модель в качестве службы пакетного вывода
Оптимизировать гиперпараметры обучения модели
Применять дифференциальную достоверность к анализу данных
Интерпретировать модели машинного обучения и оценивать их на справедливость
Использовать Application Insights для мониторинга опубликованной модели
Отслеживать дрейф данных (Data Drift)
Необходимая подготовка
Для эффективного обучения на курсе слушатели должны обладать следующими знаниями и навыками:
Знание основ Azure;
Знание языка Python, а также опыт использования библиотек Numpy, Pandas, и Matplotlib;
Понимание науки о данных (data science), в том числе технологий подготовки данных, обучение моделей и оценки конкурирующих моделей при выборе оптимальной с использованием библиотек Scikit-Learn, PyTorch, или Tensorflow;
Практический опыт использования контейнеров.
Модуль 1: Введение в машинное обучение с Azure Machine Learning
Темы
Обзор науки о данных в Azure
Инструменты Azure Machine Learning Tools
Лабораторные работы:
Создание рабочей области Azure Machine Learning Workspace
Работа с инструментами Azure Machine Learning Tools
Модуль 2: Машинное обучение «без кода» в Azure ML Designer
Темы
Тренировка моделей в Azure ML Designer
Публикация моделей с Azure ML Designer
Лабораторные работы:
Создание обучающего конвейера с помощью Azure ML Designer
Развертывание службы с помощью Azure ML Designer
Модуль 3: Запуск экспериментов и тренировка моделей
Темы
Введение в эксперименты
Обучение и регистрация моделей
Лабораторные работы:
Запуск экспериментов
Обучение и регистрация моделей
Модуль 4: Работа с данными
Темы
Работа с хранилищами данных
Работа с наборами данных
Лабораторные работы:
Работа с хранилищами данных
Работа с наборами данных
Модуль 5: Вычисляемые контексты
Темы
Работа с вычислительной средой
Работа с целевыми показателями вычислений
Лабораторные работы:
Работа с вычислительной средой
Работа с целевыми показателями вычислений
Модуль 6: Оркестровка операций с помощью конвейеров
Темы
Введение в конвейеры
Публикация и использование конвейеров
Лабораторные работы:
Создание конвейера
Публикация конвейера
Модуль 7: Развертывание и использование моделей
Темы
Развертывании в реальном времени
Развертывание в режиме пакетного вывода
Лабораторные работы:
Создание службы режима реального времени
Создание службы режима пакетного вывода
Модуль 8: Создание оптимальных моделей
Темы
Настройка гиперпараметров
Автоматизированное машинное обучение
Лабораторные работы:
Настройка гиперпараметров
Использование автоматизированного машинного обучения
Модуль 9: Responsible Machine Learning
Темы
Дифференциальная конфиденциальность
Интерпретируемость модели
Справедливость
Лабораторные работы:
Изучение дифференциальной конфиденциальности.
Интерпретация моделей.
Обнаружение и смягчение несправедливости
Модуль 10: Мониторинг моделей
Темы
Модели мониторинга с помощью Application Insights
Мониторинг дрейфа данных (Data Drift)
Лабораторные работы:
Модели мониторинга с помощью Application Insights
Мониторинг Data Drift
