DP-100T01 DESIGNING AND IMPLEMENTING A DATA SCIENCE SOLUTION ON AZURE

PRÓXIMA CONVOCATORIA: 04/07/2022

Aprenda a operar soluciones de aprendizaje automático a escala de la nube con Azure Machine Learning. Este curso le enseña a aprovechar su conocimiento existente de Python y el aprendizaje automático para administrar la ingesta y preparación de datos, la capacitación e implementación de modelos, y la supervisión de soluciones de aprendizaje automático en Microsoft Azure.

AUDIENCIA

Este curso está diseñado para científicos de datos con conocimiento existente de Python y marcos de aprendizaje automático como Scikit-Learn, PyTorch y Tensorflow, que desean construir y operar soluciones de aprendizaje automático en la nube.

REQUISITOS PREVIOS

Los exitosos científicos de Azure Data comienzan este rol con un conocimiento fundamental de los conceptos de computación en nube, y experiencia en ciencia de datos generales y herramientas y técnicas de aprendizaje de máquinas.

Específicamente:

• Crear recursos de nube en Microsoft Azure.
• Usando Python para explorar y visualizar datos.
• Entrenamiento y validación de modelos de aprendizaje automático usando marcos comunes como Scikit-Learn, PyTorch y TensorFlow.

MODALIDAD

Aula virtual / Presencial

DURACIÓN

3 DIAS

TEMARIO DEL CURSO

Módulo 1: Introducción a Azure Machine Learning

• Introducción a Azure Machine Learning
• Trabajar con Azure Machine Learning

Módulo 2: Herramientas visuales para Machine Learning

• Automated Machine Learning
• Diseñador de Azure Machine Learning

Módulo 3: Ejecución de experimentos y modelos de entrenamiento

• Introducción a los experimentos
• Entrenamiento y registro de modelos

Módulo 4: Trabajo con datos

• Trabajo con almacenes de datos
• Trabajo con conjuntos de datos

Módulo 5: Trabajo con procesos

• Trabajo con entornos
• Trabajo con destinos de proceso

Módulo 6: Orquestación de operaciones con canalizaciones

• Introducción a las canalizaciones
• Publicación y ejecución de canalizaciones

Módulo 7: Implementación y consumo de modelos

• Deducir en tiempo real
• Deducir por lotes
• Integración y entrega continuas

Módulo 8: Entrenamiento de modelos óptimos

• Ajuste de hiperparámetros
• Automated Machine Learning

Módulo 9: Aprendizaje automático responsable

• Privacidad diferencial
• Interpretabilidad del modelo
• Imparcialidad

Módulo 10: Supervisión de modelos

• Supervisión de modelos con Application Insights
• Supervisión del desfase de datos