طراحی و پیاده‌سازی راهکارهای علوم داده در Azure (DP-100): آموزش و استقرار مدل‌ها - آخرین آپدیت

سرفصل ها و درس ها

اجرای اسکریپت‌های آموزش مدل Run Model Training Scripts

• درک مفاهیم جاب‌ها و داده‌ها در Azure ML Understanding Jobs and Data in Azure ML

• دمو: استفاده از داده‌ها در جاب‌های Azure ML Demo: Consuming Data in Azure ML Jobs

• دمو: پیکربندی منابع محاسباتی برای آموزش مدل Demo: Configuring Compute for Model Training

• دمو: تنظیم محیط‌ها برای اجراهای آموزشی Demo: Setting up Environments for Training Runs

• استفاده از MLflow برای ردیابی آزمایش‌ها MLflow for Experiment Tracking

• دمو: اجرا و ردیابی جاب‌های آموزشی با MLflow Demo: Running and Tracking Training Jobs with MLflow

• دمو: عیب‌یابی اجرای جاب‌ها با استفاده از لاگ‌ها Demo: Troubleshooting Job Runs with Logs

پیاده‌سازی خط لوله‌های آموزشی Implement Training Pipelines

• خط لوله‌ها و اجزا چیستند؟ What Are Pipelines and Components?

• جزء سفارشی (Custom Component) چیست؟ What Is a Custom Component?

• دمو: ایجاد اجزای سفارشی در Azure ML Demo: Creating Custom Components in Azure ML

• دمو: ساخت خط لوله‌های یادگیری ماشین Demo: Building Machine Learning Pipelines

• دمو: انتقال داده‌ها بین مراحل خط لوله Demo: Passing Data between Pipeline Steps

• دمو: اجرا و زمان‌بندی خط لوله‌ها Demo: Running and Scheduling Pipelines

• دمو: نظارت و عیب‌یابی اجرای خط لوله‌ها Demo: Monitoring and Troubleshooting Pipeline Runs

مدیریت مدل‌ها Manage Models

• درک فایل‌های MLmodel و امضاها (Signatures) Understanding MLmodel Files and Signatures

• دمو: پیاده‌سازی فایل‌های MLmodel و امضاها Demo: Implement MLmodel Files and Signatures

• بسته‌بندی مشخصات بازیابی ویژگی‌ها Packaging Feature Retrieval Specifications

• دمو: ثبت و نسخه‌بندی مدل‌های MLflow Demo: Registering and Versioning MLflow Models

• بازیابی ویژگی‌ها و هوش مصنوعی مسئولانه Feature Retrieval and Responsible AI

• دمو: ارزیابی مدل‌ها با اصول هوش مصنوعی مسئولانه Demo: Assessing Models with Responsible AI Principles

استقرار یک مدل Deploy a Model

• مقایسه استقرار آنلاین در مقابل دسته‌ای در Azure ML Online vs. Batch Deployment in Azure ML

• دمو: پیکربندی تنظیمات برای استقرار آنلاین Demo: Configuring Settings for Online Deployment

• دمو: استقرار مدل‌ها در نقاط پایانی آنلاین Demo: Deploying Models to Online Endpoints

• دمو: تست سرویس‌های مستقر شده آنلاین Demo: Testing Online Deployed Services

• دمو: استقرار دسته‌ای با پیکربندی محاسباتی Demo: Batch Deployment with Compute Configuration

• دمو: اجرای جاب‌های امتیازدهی دسته‌ای در نقاط پایانی Batch Demo: Running Batch Scoring Jobs on Batch Endpoints