DP-100 Designing and implementing a data science solution on Azure

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