DP-3007 Train and deploy a machine learning model with Azure Machine Learning

Цель курса – предоставить слушателям знания и навыки, необходимые для разработки, обучения и развертывания моделей машинного обучения с использованием платформы Azure Machine Learning. Участники курса научатся применять методы машинного обучения для решения реальных задач, а также освоят инструменты и технологии Azure для эффективного управления жизненным циклом моделей.

Аудитория

Этот курс предназначен для специалистов в области данных, аналитиков, разработчиков и инженеров по машинному обучению, которые хотят углубить свои знания в области развертывания и управления моделями машинного обучения в облачной среде Azure. Курс будет полезен также для ИТ-специалистов, стремящихся интегрировать решения машинного обучения в свои бизнес-процессы и повысить эффективность работы с данными.

По окончании курса слушатели смогут:

• Получать доступ к данным с помощью унифицированных идентификаторов ресурсов (URI)
• Подключаться к облачным источникам данных с помощью хранилищ данных
• Использовать ресурсы данных для доступа к конкретным файлам или папкам
• Выбирать подходящую вычислительную цель
• Создавать и использовать вычислительный экземпляр
• Создавать и использовать вычислительный кластер
• Понимать, как работают среды в Azure Machine Learning
• Изучать и использовать готовые среды
• Создавать и использовать пользовательские среды
• Преобразовывать записную книжку в скрипт
• Тестировать скрипты в терминале
• Запускать скрипт в качестве командного задания
• Использовать параметры в командном задании
• Использовать MLflow при запуске скрипта в качестве задания
• Просматривать показатели, параметры, артефакты и модели после запуска
• Регистрировать модели с помощью MLflow
• Понимать формат MLmodel
• Регистрировать модель MLflow в Azure Machine Learning
• Использовать управляемые онлайн-конечные точки
• Развертывать модель MLflow на управляемой онлайн-конечной точке
• Развертывать пользовательскую модель на управляемой онлайн-оконечной точке
• Тестировать онлайн-оконечные точки

Необходимая подготовка

Для эффективного обучения на курсе слушатели должны обладать следующими знаниями и навыками:

• Знание процесса Data Science
• Базовое понимание концепций Data Science
• Знакомство с языком Python

Модуль 1: Создание данных доступными в Azure Machine Learning 

Темы

• Понимание URI 
• Создание хранилища данных 
• Создание объекта данных 

Лабораторная работа: Создание данных доступными в Azure Machine Learning

Модуль 2: Работа с вычислительными целями в Azure Machine Learning 

Темы

• Выбор подходящей вычислительной цели 
• Создание и использование вычислительного экземпляра 
• Создание и использование вычислительного кластера 

Лабораторная работа: Работа с вычислительными ресурсами 

Модуль 3: Работа с окружениями в Azure Machine Learning 

Темы

• Понимание окружений 
• Изучение и использование кураторских окружений 
• Создание и использование пользовательских окружений 

Лабораторная работа: Работа с окружениями 

Модуль 4: Запуск скрипта обучения как командной задачи в Azure Machine Learning 

Темы

• Преобразование блокнота в скрипт 
• Запуск скрипта как командной задачи 
• Использование параметров в командной задаче 

Лабораторная работа: Запуск скрипта обучения как командной задачи 

Модуль 5: Отслеживание обучения модели с помощью MLflow в задачах 

Темы

• Отслеживание метрик с помощью MLflow 
• Просмотр метрик и оценка моделей 

Лабораторная работа: Использование MLflow для отслеживания задач обучения 

Модуль 6: Регистрация модели MLflow в Azure Machine Learning 

Темы

• Логирование моделей с помощью MLflow 
• Понимание формата модели MLflow 
• Регистрация модели MLflow 

Лабораторная работа: Логирование и регистрация моделей с помощью MLflow 

Модуль 7: Развертывание модели на управляемом онлайн-эндпоинте 

Темы

• Изучение управляемых онлайн-эндпоинтов 
• Развертывание вашей модели MLflow на управляемом онлайн-эндпоинте 
• Развертывание модели на управляемом онлайн-эндпоинте 
• Тестирование управляемых онлайн-эндпоинтов 

Лабораторная работа: Развертывание модели MLflow на онлайн-эндпоинте