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

Einstieg mit Azure Machine Learning

• Einführung in Azure Machine Learning
• Mit Azure Machine Learning arbeiten

Visual Tools für Machine Learning

• Automatisiertes Machine Learning
• Azure-Machine Learning-Designer

Durchführen von Experimenten und Models trainieren

• Einführung in Experimente
• Trainieren und Registrieren von Models

Arbeiten mit Daten

• Arbeiten mit Datenspeichern
• Arbeiten mit Datasets

Arbeiten mit Compute

• Arbeiten mit Umgebungen
• Arbeiten mit Compute Targets

Orchestrierung von Vorgängen mit Pipelines

• Einführung in Pipelines
• Veröffentlichen und Ausführen von Pipelines

Bereitstellen und Nutzung von Models

• Inferencing in Echtzeit
• Batch-Inferencing
• Continuous Integration und Delivery

Training optimaler Modelle

• Abstimmung von Hyperparametern
• Automatisiertes Machine Learning

Verantwortungsvolles Machine Learning

• Differenzieller Datenschutz
• Model-Interpretierbarkeit
• Fairness

Monitoring Models

• Models mit Application Insights überwachen
• Überwachen von Datendrift

Methode

Vortrag, Übungen, Praktikum