DP-100: Designing and Implementing a Data Science Solution on Azure

Thời lượng: 3 ngày

Tìm hiểu cách vận hành các giải pháp học máy ở quy mô đám mây bằng Azure Machine Learning. Khóa học này dạy bạn tận dụng kiến thức hiện có về Python và học máy để quản lý việc nhập và chuẩn bị dữ liệu, đào tạo và triển khai mô hình cũng như giám sát giải pháp học máy trong Microsoft Azure.

Module 1: Giới thiệu về Azure Machine Learning

Trong học phần này, bạn sẽ học cách cung cấp không gian làm việc Azure Machine Learning và sử dụng nó để quản lý các thành phần như dữ liệu, máy tính, mã đào tạo mô hình, số liệu đã ghi và các mô hình được đào tạo. Bạn sẽ học cách sử dụng giao diện studio Azure Machine Learning dựa trên web cũng như Azure Machine Learning SDK và các công cụ dành cho nhà phát triển như Visual Studio Code và Jupyter Notebooks để làm việc với các nội dung trong không gian làm việc của bạn.

Những bài học

• Giới thiệu về Học máy Azure
• Làm việc với Azure Machine Learning

Lab: Tạo không gian làm việc Azure Machine Learning

Sau khi hoàn thành mô-đun này, bạn sẽ có thể

• Cung cấp không gian làm việc Azure Machine Learning
• Sử dụng các công cụ và mã để làm việc với Azure Machine Learning

Module 2: Học máy không mã

Học phần này giới thiệu các công cụ trực quan của Automated Machine Learning and Designer mà bạn có thể sử dụng để đào tạo, đánh giá và triển khai các mô hình học máy mà không cần viết bất kỳ mã nào.

Các bài học

• Học máy tự động
• Azure Machine Learning Designer

Lab: Sử dụng Học máy tự động

Lab: Sử dụng Azure Machine Learning Designer

Sau khi hoàn thành mô-đun này, bạn sẽ có thể

• Sử dụng máy học tự động để đào tạo mô hình máy học
• Sử dụng trình thiết kế Azure Machine Learning để đào tạo một mô hình

Module 3: Chạy thử nghiệm và mô hình đào tạo

Trong học phần này, bạn sẽ bắt đầu với các thử nghiệm quá trình xử lý dữ liệu và mã đào tạo mô hình, đồng thời sử dụng chúng để đào tạo các mô hình học máy.

Các bài học

• Giới thiệu về Thử nghiệm
• Đào tạo và Đăng ký Mô hình

Phòng thí nghiệm: Chạy thử nghiệm

Lab: Mô hình đào tạo

Sau khi hoàn thành mô-đun này, bạn sẽ có thể

• Chạy thử nghiệm dựa trên mã trong không gian làm việc Azure Machine Learning
• Đào tạo và đăng ký các mô hình học máy

Module 4: Làm việc với dữ liệu

Dữ liệu là yếu tố cơ bản trong bất kỳ khối lượng công việc học máy nào, vì vậy trong mô-đun này, bạn sẽ học cách tạo và quản lý kho dữ liệu và bộ dữ liệu trong không gian làm việc Azure Machine Learning cũng như cách sử dụng chúng trong các thử nghiệm đào tạo mô hình.

Các bài học

• Làm việc với Kho dữ liệu
• Làm việc với Datasets

Lab: Làm việc với dữ liệu

Sau khi hoàn thành học phần này, bạn sẽ có thể

• Tạo và sử dụng kho dữ liệu
• Tạo và sử dụng bộ dữ liệu

Module 5: Làm việc với Compute

Một trong những lợi ích chính của đám mây là khả năng tận dụng tài nguyên máy tính theo yêu cầu và sử dụng chúng để mở rộng quy trình học máy đến một mức độ không khả thi trên phần cứng của chính bạn. Trong học phần này, bạn sẽ học cách quản lý môi trường thử nghiệm để đảm bảo tính nhất quán trong thời gian chạy cho các thử nghiệm cũng như cách tạo và sử dụng các mục tiêu tính toán cho các lần chạy thử nghiệm.

Các bài học

• Làm việc với Môi trường
• Làm việc với các Mục tiêu Tính toán

Lab: Làm việc với Máy tính

Sau khi hoàn thành học phần này, bạn sẽ có thể

• Tạo và sử dụng môi trường
• Tạo và sử dụng các mục tiêu tính toán

Module 6: Điều phối hoạt động với Pipelines

Bây giờ bạn đã hiểu kiến ​​thức cơ bản về việc chạy khối lượng công việc dưới dạng thử nghiệm tận dụng tài nguyên dữ liệu và tính toán tài nguyên, đã đến lúc tìm hiểu cách sắp xếp các khối lượng công việc này dưới dạng Pipeline của các bước được kết nối. Các pipeline  là chìa khóa để triển khai giải pháp Vận hành Máy học (ML Ops) hiệu quả trong Azure, vì vậy bạn sẽ khám phá cách xác định và chạy chúng trong học phần này.

Các bài học

• Giới thiệu về Pipeline
• Xuất bản và chạy Pipeline

Lab: Tạo một đường ống

Sau khi hoàn thành học phần này, bạn có thể

• Tạo Pipeline để tự động hóa quy trình công việc học máy
• Xuất bản và chạy các dịch vụ đường ống

Module 7: Triển khai và sử dụng các mô hình

Các mô hình được thiết kế để giúp đưa ra quyết định thông qua các dự đoán, vì vậy chúng chỉ hữu ích khi được triển khai và có sẵn để ứng dụng sử dụng. Trong mô-đun này, hãy tìm hiểu cách triển khai các mô hình cho hội nghị thời gian thực và cho hội nghị hàng loạt.

Các bài học

• Tham khảo thời gian thực
• Tham khảo hàng loạt
• Tích hợp và phân phối liên tục

Lab: Tạo Dịch vụ Hội nghị Thời gian Thực

Lab: Tạo Dịch vụ Hội nghị Hàng loạt

Sau khi hoàn thành mô-đun này, bạn sẽ có thể

• Xuất bản mô hình dưới dạng Real-time Inferencing Service
• Xuất bản một mô hình dưới dạng Batch Inferencing Service
• Mô tả các kỹ thuật để thực hiện tích hợp và phân phối liên tục

Module 8: Đào tạo các mô hình tối ưu

Đến giai đoạn này của khóa học, bạn đã học được quy trình end-to-end để đào tạo, triển khai và sử dụng các mô hình học máy; nhưng làm cách nào để đảm bảo mô hình của bạn tạo ra kết quả dự đoán tốt nhất cho dữ liệu của bạn? Trong mô-đun này, bạn sẽ khám phá cách bạn có thể sử dụng điều chỉnh siêu tham số và học máy tự động để tận dụng lợi thế của máy tính quy mô đám mây và tìm ra mô hình tốt nhất cho dữ liệu của bạn.

Các bài học

• Điều chỉnh siêu tham số
• Học máy tự động

Lab: Điều chỉnh Hyperparameters

Lab: Sử dụng Học máy tự động từ SDK

Sau khi hoàn thành mô-đun này, bạn sẽ có thể

• Tối ưu hóa siêu tham số để đào tạo mô hình
• Sử dụng máy học tự động để tìm mô hình tối ưu cho dữ liệu của bạn

Module 9: Responsible Machine Learning

Các nhà khoa học dữ liệu có nhiệm vụ đảm bảo họ phân tích dữ liệu và đào tạo các mô hình học máy một cách có trách nhiệm; tôn trọng quyền riêng tư của cá nhân, giảm thiểu thành kiến ​​và đảm bảo tính minh bạch. Mô-đun này khám phá một số cân nhắc và kỹ thuật để áp dụng các nguyên tắc học máy có trách nhiệm.

Các bài học

• Quyền riêng tư khác biệt
• Khả năng diễn giải mô hình
• Fairness (Công bằng)

Lab: Khám phá sự riêng tư khác biệt

Lab: Phiên dịch các mô hình

Sau khi hoàn thành mô-đun này, bạn sẽ có thể

• Áp dụng quyền riêng tư khác biệt để phân tích dữ liệu
• Sử dụng trình giải thích để diễn giải các mô hình học máy
• Đánh giá mô hình cho công bằng

Module 10: Mô hình giám sát

Sau khi một mô hình đã được triển khai, điều quan trọng là phải hiểu cách mô hình đang được sử dụng trong sản xuất và phát hiện bất kỳ sự suy giảm nào về hiệu quả của nó do sự trôi dạt dữ liệu. Mô-đun này mô tả các kỹ thuật giám sát các mô hình và dữ liệu của chúng.

Các bài học

• Giám sát Mô hình với Thông tin chi tiết về Ứng dụng
• Theo dõi Data Drift
• Lab: Giám sát một Mô hình với Thông tin chi tiết về Ứng dụng
• Lab: Theo dõi Data Drift

Sau khi hoàn thành mô-đun này, bạn sẽ có thể

• Sử dụng Thông tin chi tiết về ứng dụng để theo dõi mô hình đã xuất bản
• Theo dõi sự trôi dạt dữ liệu

Khóa học này được thiết kế cho các nhà khoa học dữ liệu có kiến thức hiện có về Python và các khuôn khổ học máy như Scikit-Learn, PyTorch và Tensorflow, những người muốn xây dựng và vận hành các giải pháp máy học trên đám mây.

Các nhà khoa học dữ liệu Azure giỏi nên bắt đầu vai trò này với kiến ​​thức cơ bản về các khái niệm điện toán đám mây và kinh nghiệm về khoa học dữ liệu nói chung và các công cụ và kỹ thuật học máy.

Đặc biệt:

• Tạo tài nguyên đám mây trong Microsoft Azure.
• Sử dụng Python để khám phá và trực quan hóa dữ liệu.
• Đào tạo và xác thực các mô hình học máy sử dụng các khuôn khổ phổ biến như Scikit-Learn, PyTorch và TensorFlow.
• Làm việc với các thùng chứa

Để đạt được những kỹ năng tiên quyết này, hãy tham gia khóa đào tạo trực tuyến miễn phí sau đây trước khi tham gia khóa học:

• Khám phá các khái niệm đám mây của Microsoft.
• Tạo mô hình học máy.
• Quản lý vùng chứa trong Azure

Nếu bạn hoàn toàn mới làm quen với khoa học dữ liệu và máy học, trước tiên hãy hoàn thành Microsoft Azure AI Fundamentals trước

Microsoft Certified: Azure Data Scientist Associate