Designing and Implementing a Data Science Solution on Azure
Seminar
Blended learning in Nürnberg
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
Lage
Beginn
Beginn
Hinweise zu diesem Kurs
Zielgruppe
Data Scientists und Personen, die für Training und Bereitstellung von Maschinenlernmodellen verantwortlich sind
Zertifizierungen
Dieses Seminar bereitet auf folgende Zertifizierung vor:
Azure Data Scientist Associate
Meinungen
Themen
- Kommunikation
- Kommunikationstechnik
- Controlling
- Projektplanung
- Projektcontrolling
- Projekte planen
- Gesprächziel
- Gesprächführung
- Führung
- IT
- PC Führerschein
- Führungsverhalten
- Finanzen
- Wirtschaft
- Marketing
Inhalte
Inhalt
Inhalt
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
Designing and Implementing a Data Science Solution on Azure