Training Designing and implementing a Data Science Solution on Azure DP-100 bootcamp

Azure Machine Learning heeft een sterke positie opgebouwd vanwege de naadloze integratie met andere Azure-services en de ondersteuning voor MLOps, wat het platform aantrekkelijk maakt voor organisaties die hun machine learning-projecten in de cloud willen beheren en schalen.

Het platform biedt data scientists, developers en organisaties de tools en infrastructuur die ze nodig hebben om machine learning-oplossingen te ontwikkelen en te beheren. Deze training is bedoeld om in korte tijd kennis te maken met Azure Machine Learning. De belangrijkste onderwerpen komen hierbij aan bod. We volgen hierbij de onderwerpen van het Microsoft DP-100 examen.

Traineeship Machine Learning Engineer

De training Designing and implementing a Data Science Solution on Azure (DP-100) bootcamp wordt vaak gebruikt als basis voor een traineeship Machine Learning Engineer. In veel gevallen maken we dan een training op maat met deze training als onderdeel. Denk bijvoorbeeld aan een combinatie met een datawarehouse, Azure DevOps of Python.

Binnen een traineeship kunnen we zowel de bootcamp Designing and implementing a Data Science Solution on Azure als de uitgebreidere versie aanbieden.

Bedrijfstraining Designing and implementing a Data Science Solution on Azure

Wil je met je met een heel team je gaan verdiepen in de mogelijkheden van Azure voor jullie eigen Machine Learning oplossingen? Tijdens een bedrijfstraining kunnen wij de training volledig op maat voor jouw organisatie verzorgen, voor jou en wellicht een groep van je collega's.

Tijdens de Training Designing and implementing a Data Science Solution on Azure DP-100 bootcamp komen in basis onderstaande onderwerpen aan bod. Afhankelijk van ontwikkelingen op het vakgebied, kan de feitelijke trainingsinhoud hier echter van afwijken. Bel ons gerust voor meer informatie over de actuele inhoud.

Introductie Azure Machine Learning

In deze module leer je hoe je een Azure Machine Learning-workspace kunt voorzien en gebruiken om machine learning-middelen te beheren, zoals gegevens, rekenkracht, training code model, gelogde metingen en getrainde modellen. Je leert hoe je de op web gebaseerde Azure Machine Learning-studio-interface kunt gebruiken, evenals de Azure Machine Learning SDK en ontwikkelaarstools zoals Visual Studio Code en Jupyter Notebooks om te werken met de middelen in je workspace.

• Introductie tot Azure Machine Learning
• Werken met Azure Machine Learning

Lab: Maak een Azure Machine Learning-workspace

Na het voltooien van deze module heb je:

• Een Azure Machine Learning-workspace ingericht
• Hulpmiddelen en code gebruikt om met Azure Machine Learning te werken

No-Code Machine Learning

Deze module introduceert de visuele tools voor geautomatiseerde machine learning en de Azure Machine Learning Designer, waarmee je machine learning-modellen kunt trainen, evalueren en implementeren zonder enige code te schrijven.

• Geautomatiseerde Machine Learning
• Azure Machine Learning Designer

Lab: Gebruik Geautomatiseerde Machine Learning

Lab: Gebruik Azure Machine Learning Designer

Na het voltooien van deze module heb je:

• Geautomatiseerde machine learning gebruikt om een machine learning-model te trainen
• Azure Machine Learning Designer gebruikt om een model te trainen

Running Experiments and Training Models

In deze module ga je aan de slag met experimenten die data-verwerkings- en model training code bevatten, en je zult ze gebruiken om machine learning-modellen te trainen.

• Introductie Experiments
• Training en registratie van modellen

Lab: Voer Experimenten Uit

Lab: Train Modellen

Na het voltooien van deze module heb je:

• Code-gebaseerde experimenten uitgevoerd in een Azure Machine Learning-workspace
• Machine learning-modellen getraind en geregistreerd

Working with Data

Data is een fundamenteel element in elke machine learning-werkbelasting, dus in deze module leer je hoe je datastores en datasets kunt maken en beheren in een Azure Machine Learning-workspace, en hoe je ze kunt gebruiken in modeltrainings-experimenten.

• Werken met datastores
• Werken met datasets

Lab: Werken met data

Na het voltooien van deze module heb je:

• Dataopslagplaatsen gemaakt en gebruikt
• Datasets gemaakt en gebruikt

Compute contexts

Een van de belangrijkste voordelen van de cloud is de mogelijkheid om op aanvraag computing resources te benutten en deze te gebruiken om machine learning-processen op te schalen tot een niveau dat onhaalbaar zou zijn met je eigen hardware. In deze module leer je hoe je Experiment Environments kunt beheren die zorgen voor consistente runtime-consistentie voor experimenten, en hoe je rekendoelen kunt creëren en gebruiken voor experimenten.

• Werken met Environments
• Werken met Compute Targets

Lab: Werken met Environments

Lab: Werken met Compute Targets

Na het voltooien van deze module heb je:

• Environments gecreëerd en gebruikt
• Compute Targets gecreëerd en gebruikt

Orchestrating Operations with Pipelines

Nu je de basisprincipes begrijpt van het uitvoeren van workloads als experimenten die gebruikmaken van gegevensbronnen en rekencapaciteit, is het tijd om te leren hoe je deze workloads kunt orchestreren als pipelines van onderling verbonden stappen. Pipelines zijn essentieel voor het implementeren van een effectieve Machine Learning Operationalization (ML Ops) oplossing in Azure, dus je zult ontdekken hoe je ze kunt definiëren en uitvoeren in deze module.

• Introductie tot pipelines
• Publiceren en uitvoeren van pipelines

Lab: Een pipeline maken

Na het voltooien van deze module heb je:

• Pipelines gemaakt om machine learning-workflows te automatiseren
• Pipeline services gepubliceerd en uitgevoerd

Deploying and Consuming Models

Modellen zijn ontworpen om besluitvorming te ondersteunen door middel van voorspellingen, dus ze zijn alleen nuttig wanneer ze worden geïmplementeerd en beschikbaar zijn voor een toepassing om te gebruiken. In deze module leer je hoe je modellen kunt implementeren voor real-time inferentie en voor batch-inferentie.

• Real-time Inferentie
• Batch-inferentie
• Continuous integration & deployment

Lab: Maak een Real-time Inferentie-service

Lab: Maak een Batch Inferentie-service

Na het voltooien van deze module heb je:

• Een model gepubliceerd als een real-time inferentie-service
• Een model gepubliceerd als een batch-inferentie-service
• Technieken beschreven om CI/CD te implementeren

Training Optimal Models

Op dit punt in de cursus heb je het end-to-end proces geleerd voor het trainen, implementeren en gebruiken van machine learning-modellen. Maar hoe zorg je ervoor dat je model de beste voorspellende resultaten oplevert voor je gegevens? In deze module zul je ontdekken hoe je hyperparameter tuning en geautomatiseerde machine learning kunt gebruiken om te profiteren van de rekencapaciteit op cloud-schaal en het beste model voor je gegevens te vinden.

• Hyperparameter Tuning
• Geautomatiseerde Machine Learning

Lab: Tune Hyperparameters

Lab: Gebruik Geautomatiseerde Machine Learning vanuit de SDK

Na het voltooien van deze module heb je:

• Hyperparameters geoptimaliseerd voor modeltraining
• Geautomatiseerde machine learning gebruikt om het optimale model voor je gegevens te vinden

Monitoring Models

Nadat een model is geïmplementeerd, is het belangrijk om te begrijpen hoe het model in productie wordt gebruikt en eventuele afname in effectiviteit als gevolg van gegevensafwijking (Data Drift) op te sporen. In deze module worden technieken beschreven voor het monitoren van modellen en de gegevens die ze gebruiken.

• Het monitoren van modellen met Application Insights
• Het monitoren van gegevensafwijking (Data Drift)

Lab: Het monitoren van een model met Application Insights

Lab: Het monitoren van datadrift

Na het voltooien van deze module heb je:

• Application Insights gebruikt om een gepubliceerd model te monitoren
• Datadrift gemonitord