DP-100 Designing and Implementing a Data Science Solution on Azure (DP-100) Active Learning

Leer hoe je machine learning-oplossingen op cloudschaal kunt gebruiken met Azure Machine Learning. Deze DP-100 training leert je gebruik te maken van je bestaande kennis van Python en machine learning om voorbereiding, modeltraining en implementatie, en machine learning oplossing monitoring in Microsoft Azure te beheren. Na het afronden van de DP-100 training en het behalen van het bijbehorende examen kun je de Azure Data Scientist Associate certificering behalen! Download onze Certificeringsposter om de juiste volgorde te bepalen!

Lesmethode

Bij Master IT train je met onze unieke lesmethode Active Learning, hiermee leer je aantoonbaar effectiever!

Wij zjn er namelijk van overtuigd dat je slimmer en met meer plezier leert als je actief met je lesstof omgaat. Onze klassen zijn gevuld met maximaal 8 cursisten. Hierbij luister je niet passief naar een trainer, maar ga je interactief en 1-op-1 met de trainer aan de slag om ervoor te zorgen dat jouw leerdoelen behaald worden. De theorie maak je je zoveel mogelijk zelf eigen, de nadruk van de begeleiding ligt op het begrijpen en toepassen van die theorie in de praktijk. Zo leer je alleen datgene wat je echt nodig hebt.

• Je bepaalt zelf je leertempo.
• De trainer coacht je bij het definiëren van jouw leertraject.
• Je onthoudt en begrijpt je nieuwe kennis beter.
• Alles draait om toepassing van de stof in jouw praktijk.

Om alle beschikbare trainingsdata in te zien, bekijk dan onze eigen website

Doelgroep

Deze training is bedoeld voor datawetenschappers met bestaande kennis van Python en machine learning frameworks zoals Scikit-Learn, PyTorch en Tensorflow, die machine learning-oplossingen in de cloud willen bouwen en gebruiken.

Voorkennis

Voor de rol van een succesvolle Azure Data Scientist heb je de volgende voorkennis nodig:

• Basiskennis van cloud computing concepten.
• Ervaring met algemene data science tools en technieken.
• Ervaring met machine learning tools en technieken.

Specifiek:

• Vaardigheid in het creëren van cloud resources in Microsoft Azure.
• Kennis van Python voor data-analyse en visualisatie.
• Ervaring met het trainen en valideren van machine learning-modellen met veelgebruikte frameworks zoals Scikit-Learn, PyTorch en TensorFlow.
• Kennis van het werken met containers.

Onderdelen

Module 1: Aan de slag met Azure Machine Learning

In deze module leer je hoe je een Azure Machine Learning workspace kunt instellen en gebruiken om machine learning assets zoals data, compute, model training code, gelogde metrics en getrainde modellen te beheren. Je leert hoe je de webgebaseerde Azure Machine Learning studio interface gebruikt, evenals de Azure Machine Learning SDK en ontwikkelaarstools zoals Visual Studio Code en Jupyter Notebooks om te werken met de assets in je workspace.

• Inleiding tot Azure Machine Learning
• Werken met Azure Machine Learning

Lab : Een Azure Machine Learning-werkruimte makenNa het voltooien van deze module bent u in staat om

• Een Azure Machine Learning werkruimte in te richten
• Tools en codes te gebruiken om te werken met Azure Machine Learning

Module 2: No-Code Machine Learning

Deze module introduceert de visuele tools, Automated Machine Learning en Designer, die je kunt gebruiken om machine learning modellen te trainen, evalueren en implementeren zonder code te schrijven.

• Automated Machine Learning
• Azure Machine Learning Designer

Lab : Geautomatiseerd machinaal lerenLab : Azure Machine Learning Ontwerper

Na het afronden van deze module ben je in staat om:

• Automatisch machinaal te leren gebruiken om een machine learning model te trainen
• Azure Machine Learning Designer te gebruiken om een model te trainen

Module 3: Experimenten uitvoeren en modellen trainen

In deze module ga je aan de slag met experimenten die gegevensverwerking en modeltrainingscode inkapselen. Uiteindelijk ga je ze gebruiken om machine-learningmodellen te trainen.

• Inleiding tot experimenten
• Modellen trainen en registreren

Lab : Experimenten uitvoerenLab : Modellen trainen 

Na deze module ben je in staat om:

• Op code gebaseerde experimenten uit te voeren in een Azure Machine Learning workspace
• Machine Learning modellen te trainen en registreren

Module 4: Werken met data

Data is een fundamenteel element in elke machine learning workload, dus in deze module leer je hoe je datastores en datasets aanmaakt en beheert in een Azure Machine Learning workspace. Daarnaast leer je ook hoe je ze gebruikt in modeltrainingsexperimenten.

• Werken met datastores
• Werken met datasets

Lab : Werken met data 

Na het afronden van deze module ben je in staat om:

• Datastores aan te maken en te gebruiken
• Datasets te maken en gebruiken

Module 5: Werken met compute

Een van de belangrijkste voordelen van de cloud is de mogelijkheid om op aanvraag computermiddelen te gebruiken en deze te gebruiken om machine-learningprocessen te schalen tot een mate die niet haalbaar zou zijn op uw eigen hardware. In deze module leer je hoe je experimentomgevingen beheert die consistente runtime voor experimenten garanderen en hoe je computerdoelen aanmaakt en gebruikt voor experimentruns.

• Werken met omgevingen
• Werken met Compute Targets

Lab : Werken met Compute 

Na deze module ben je in staat om:

• Omgevingen maken en gebruiken
• Compute targets aanmaken en gebruiken

Module 6: Operaties orkestreren met pijplijnen 

Nu je de basisprincipes begrijpt van het uitvoeren van workloads als experimenten die gebruikmaken van data-assets en computermiddelen, is het tijd om te leren hoe je deze workloads kunt orkestreren als pijplijnen van verbonden stappen. Pijplijnen zijn de sleutel tot het implementeren van een effectieve Machine Learning Operationalization (ML Ops) oplossing in Azure, dus je zult onderzoeken hoe je ze kunt definiëren en uitvoeren in deze module.

Lessons

• Inleidingen tot pijplijnen 
• Pijplijnen publiceren en uitvoeren 

Lab : Creëer een pijplijn

Na deze module ben je in staat om:

• Pijplijnen creëren om machine learning workflows te automatiseren
• Pijplijn services publiceren en uitvoeren

Module 7: Modellen implementeren en gebruiken

Modellen zijn ontworpen om te helpen bij het nemen van beslissingen door voorspellingen, dus ze zijn alleen nuttig als ze worden ingezet en beschikbaar zijn voor een applicatie om te consumeren. In deze module leer je hoe je modellen kunt implementeren voor real-time inferentie en voor batch inferentie.

• Real-time inferentie
• Batch inferentie
• Continue integratie en levering

Lab : Creëer een realtime inferentieserviceLab : Creëer een batch inferentieservice

Na het afronden van deze module ben je in staat om:

• Een model publiceren als een real-time inferentieservice
• Een model publiceren als een batch inferentieservice
• Technieken beschrijven om continue integratie en oplevering te implementeren

Module 8: Optimale modellen trainen

In dit stadium van de cursus hebt u het volledige proces geleerd voor het trainen, implementeren en gebruiken van machine-learningmodellen. Maar hoe zorgt u ervoor dat uw model de beste voorspellende resultaten voor uw gegevens oplevert? In deze module onderzoekt u hoe u hyperparameter tuning en geautomatiseerd machine learning kunt gebruiken om te profiteren van cloud-scale compute en het beste model voor uw gegevens te vinden.

• Hyperparameter afstemmenGeautomatiseerd machinaal leren

Lab : Hyperparameters afstemmenLab : Geautomatiseerd machinaal leren van de SDK gebruiken

Na het voltooien van deze module ben je in staat om:

• Hyperparameters optimaliseren voor modeltraining
• Automatisch machinaal leren gebruiken om het optimale model voor uw gegevens te vinden

Module 9: Verantwoord machinaal leren

Datawetenschappers hebben de plicht om ervoor te zorgen dat ze op verantwoorde wijze gegevens analyseren en modellen voor machinaal leren trainen; ze moeten de privacy van individuen respecteren, vooroordelen beperken en transparantie garanderen. Deze module onderzoekt enkele overwegingen en technieken voor het toepassen van verantwoorde principes voor machinaal leren.

• Differentiële privacy
• Interpretatie van modellen

Lab : Differentiële privacy verkennenLab : Modellen interpreterenLab : Oneerlijkheid detecteren en beperken

Na het afronden van deze module ben je in staat om:

• Differentiële privacy toepassen op gegevensanalyse
• Uitleggers gebruiken om modellen voor machinaal leren te interpreteren
• Modellen evalueren op eerlijkheid

Module 10: Model bewaken 

Nadat een model is geïmplementeerd, is het belangrijk om te begrijpen hoe het model in de productie wordt gebruikt en om eventuele degradatie in de effectiviteit door datadrift te detecteren. Deze module beschrijft technieken voor het bewaken van modellen en hun gegevens.

• Monitoring Models with Application Insights
• Monitoring Data Drift

Lab : Modellen bewaken met Application InsightsLab : Datadrift bewaken 

Na afloop van deze module ben je in staat om:

• Application Insights gebruiken om een gepubliceerd model te monitoren
• Data drift te monitoren