Beschreibung

Kursart

Seminar
Methodik

Blended
Ort

Nürnberg

Dauer

3 Tage
Beginn

nach Wahl

Über das Seminar

In diesem Seminar lernen Sie, Maschinenlernlösungen im Cloudmaßstab mithilfe von Azure Machine Learning zu betreiben. Sie erfahren, wie Sie Ihre vorhandenen Kenntnisse über Python und Maschinenlernen nutzen, um das Einpflegen und Vorbereiten von Daten, Modelltraining und -bereitstellung sowie die Überwachung der Maschinenlernlösung in Microsoft Azure zu verwalten.

Das Seminar kann zur Vorbereitung auf die Zertifizierung als Azure Data Scientist genutzt werden.

Standorte und Zeitplan

Nürnberg (Bayern)

Karte ansehen

Neuwieder Straße 10, 90411

Beginn

nach WahlAnmeldung möglich

Hinweise zu diesem Kurs

An wen richtet sich dieser Kurs?

Zielgruppe

Data Scientists und Personen, die für Training und Bereitstellung von Maschinenlernmodellen verantwortlich sind

Qualifikation

Zertifizierungen

Dieses Seminar bereitet auf folgende Zertifizierung vor:

Azure Data Scientist Associate

Fragen & Antworten

Ihre Frage hinzufügen

Unsere Berater und andere Nutzer werden Ihnen antworten können

Wer möchten Sie Ihre Frage beantworten?

Alle
Studierende
Bildungszentrum

Geben Sie Ihre Kontaktdaten ein, um eine Antwort zu erhalten

Es werden nur Ihr Name und Ihre Frage veröffentlicht.

Meinungen

Themen

Kommunikation
Kommunikationstechnik
Controlling
Projektplanung
Projektcontrolling
Projekte planen
Gesprächziel
Gesprächführung
Führung
IT
PC Führerschein
Führungsverhalten
Finanzen
Wirtschaft
Marketing

Inhalte

Inhalt

Einführung in das Azure-Maschinenlernen
- Bereitstellen eines Azure-Machine-Learning-Arbeitsraums
- Verwenden von Tools und Code, um mit Azure Machine Learning zu arbeiten
No-Code-Maschinenlernen mit Designer
- Trainieren von Modellen mit Designer
- Veröffentlichen von Modellen mit Designer
Ausführen von Experimenten und Trainieren von Modellen
Arbeiten mit Daten
- Erstellen und Verwalten von Datastores
- Erstellen und Verwalten von Datensets
Compute-Kontexte
- Arbeiten mit Umgebungen
- Arbeiten mit Compute-Zielen
Orchestrierung von Abläufen mit Pipelines
- Erstellen von Pipelines, um Maschinenlernworkflows zu automatisieren
- Veröffentlichen und Ausführen von Pipelinediensten
Bereitstellen und Nutzen von Modellen
- Echtzeitrückschlüsse
- Batch-Rückschlüsse
Training optimaler Modelle
- Hyperparameter-Tuning
- Automatsiertes Maschinenlernen
Interpretieren von Modellen
- Erstellen von Modellerklärungen mit automatsiertem Maschinenlernen
- Verwenden von Erklärern, um Maschinenlernmodelle zu interpretieren
Überwachung von Modellen
- Überwachen von Modellen mit Application Insights
- Überwachen der Datendrift

Einführung in das Azure-Maschinenlernen
- Bereitstellen eines Azure-Machine-Learning-Arbeitsraums
- Verwenden von Tools und Code, um mit Azure Machine Learning zu arbeiten

Bereitstellen eines Azure-Machine-Learning-Arbeitsraums
Verwenden von Tools und Code, um mit Azure Machine Learning zu arbeiten

Bereitstellen eines Azure-Machine-Learning-Arbeitsraums

Verwenden von Tools und Code, um mit Azure Machine Learning zu arbeiten

No-Code-Maschinenlernen mit Designer
- Trainieren von Modellen mit Designer
- Veröffentlichen von Modellen mit Designer

Trainieren von Modellen mit Designer
Veröffentlichen von Modellen mit Designer

Trainieren von Modellen mit Designer

Veröffentlichen von Modellen mit Designer

Ausführen von Experimenten und Trainieren von Modellen

Arbeiten mit Daten
- Erstellen und Verwalten von Datastores
- Erstellen und Verwalten von Datensets

Erstellen und Verwalten von Datastores
Erstellen und Verwalten von Datensets

Erstellen und Verwalten von Datastores

Erstellen und Verwalten von Datensets

Compute-Kontexte
- Arbeiten mit Umgebungen
- Arbeiten mit Compute-Zielen

Arbeiten mit Umgebungen
Arbeiten mit Compute-Zielen

Arbeiten mit Umgebungen

Arbeiten mit Compute-Zielen

Orchestrierung von Abläufen mit Pipelines
- Erstellen von Pipelines, um Maschinenlernworkflows zu automatisieren
- Veröffentlichen und Ausführen von Pipelinediensten

Erstellen von Pipelines, um Maschinenlernworkflows zu automatisieren
Veröffentlichen und Ausführen von Pipelinediensten

Erstellen von Pipelines, um Maschinenlernworkflows zu automatisieren

Veröffentlichen und Ausführen von Pipelinediensten

Bereitstellen und Nutzen von Modellen
- Echtzeitrückschlüsse
- Batch-Rückschlüsse

Echtzeitrückschlüsse
Batch-Rückschlüsse

Echtzeitrückschlüsse

Batch-Rückschlüsse

Training optimaler Modelle
- Hyperparameter-Tuning
- Automatsiertes Maschinenlernen

Hyperparameter-Tuning
Automatsiertes Maschinenlernen

Hyperparameter-Tuning

Automatsiertes Maschinenlernen

Interpretieren von Modellen
- Erstellen von Modellerklärungen mit automatsiertem Maschinenlernen
- Verwenden von Erklärern, um Maschinenlernmodelle zu interpretieren

Erstellen von Modellerklärungen mit automatsiertem Maschinenlernen
Verwenden von Erklärern, um Maschinenlernmodelle zu interpretieren

Erstellen von Modellerklärungen mit automatsiertem Maschinenlernen

Verwenden von Erklärern, um Maschinenlernmodelle zu interpretieren

Überwachung von Modellen
- Überwachen von Modellen mit Application Insights
- Überwachen der Datendrift

Überwachen von Modellen mit Application Insights
Überwachen der Datendrift

Überwachen von Modellen mit Application Insights

Überwachen der Datendrift

Verwandte Kategorien

Kontakt

Designing and Implementing a Data Science Solution on Azure

Fragen & Antworten

Meinungen

Themen

Inhalte

Fügen Sie ähnliche Kurse hinzu und vergleichen Sie sie, um eine bessere Auswahl zu treffen.