آموزش DP-100 مایکروسافت Azure Data Scientist آمادگی کامل برای امتحان

سرفصل ها و درس ها

خوش آمدید و معرفی Welcome and Introduction

• خوش آمدید به دوره DP-100 DP-100 Course Welcome

• شرایط آزمون Exam Requirements

• نکات Udemy Player Udemy Player Tips

خوش آمدید و معرفی Welcome and Introduction

یک فضای کاری یادگیری ماشینی Azure ایجاد کنید Create an Azure Machine Learning workspace

• بررسی اجمالی بخش Overview of the Section

• یک فضای کاری یادگیری ماشینی Azure ایجاد کنید Create an Azure Machine Learning workspace

• Azure ML Workspace Settings - Portal Azure ML Workspace Settings - Portal

• تنظیمات Azure ML Studio Azure ML Studio Settings

• استفاده از Azure CLI برای ایجاد فضای کاری ML Using Azure CLI to Create an ML Workspace

یک فضای کاری یادگیری ماشینی Azure ایجاد کنید Create an Azure Machine Learning workspace

اشیاء داده را در یک فضای کاری یادگیری ماشینی Azure مدیریت کنید Manage data objects in an Azure Machine Learning workspace

• داده ها و مجموعه داده ها Datastores and Datasets

• مجموعه داده های اضافی ایجاد کنید Create Additional Datasets

اشیاء داده را در یک فضای کاری یادگیری ماشینی Azure مدیریت کنید Manage data objects in an Azure Machine Learning workspace

زمینه های محاسباتی آزمایشی را مدیریت کنید Manage experiment compute contexts

• یک نمونه محاسباتی آزمایشی ایجاد کنید Create an experiment compute instance

• چندین نمونه محاسباتی را مدیریت کنید Manage multiple compute instances

• اهداف و خوشه های محاسباتی ایجاد کنید Create compute targets and clusters

زمینه های محاسباتی آزمایشی را مدیریت کنید Manage experiment compute contexts

با استفاده از Azure Machine Learning Designer مدل ایجاد کنید Create models by using Azure Machine Learning Designer

• ایجاد اولین خط لوله ML ما Creating Our First ML Pipeline

• ارائه خط لوله برای آموزش و ارزیابی Submitting the Pipeline for Training and Evaluation

• کد سفارشی در خط لوله پیچیده تر Custom Code in a More Complicated Pipeline

• توضیح خط لوله پیچیده Explaining the Complicated Pipeline

• ارزیابی نتایج اجرا Evaluating the Execution Results

• خطاهای طراح Azure ML Azure ML Designer Errors

• ماژول های طراح Azure ML Azure ML Designer Modules

با استفاده از Azure Machine Learning Designer مدل ایجاد کنید Create models by using Azure Machine Learning Designer

اسکریپت های آموزشی را در فضای کاری Azure Machine Learning اجرا کنید Run training scripts in an Azure Machine Learning workspace

• SDK را برای Azure ML راه اندازی کنید Setup SDK for Azure ML

• با استفاده از SDK فضای کاری ML ایجاد کنید Create ML Workspace using SDK

• سلام، جهان در پایتون Hello, World in Python

• آموزش یک مدل با استفاده از SDK Train a Model using SDK

• آزمایش را با استفاده از SDK ارسال کنید Submit Experiment using SDK

اسکریپت های آموزشی را در فضای کاری Azure Machine Learning اجرا کنید Run training scripts in an Azure Machine Learning workspace

فرآیند آموزش مدل را خودکار کنید Automate the model training process

• با استفاده از SDK یک خط لوله ایجاد کنید Create a pipeline by using the SDK

فرآیند آموزش مدل را خودکار کنید Automate the model training process

از Automated ML برای ایجاد مدل های بهینه استفاده کنید Use Automated ML to create optimal models

• مروری بر AutoML Overview of AutoML

• استفاده از AutoML با SDK Using AutoML with SDK

از Automated ML برای ایجاد مدل های بهینه استفاده کنید Use Automated ML to create optimal models

از Hyperdrive برای تنظیم هایپرپارامترها استفاده کنید Use Hyperdrive to tune hyperparameters

• هایپرپارامتر چیست؟ What is Hyperparameter?

از Hyperdrive برای تنظیم هایپرپارامترها استفاده کنید Use Hyperdrive to tune hyperparameters

مدل ها را مدیریت کنید Manage models

• یک مدل آموزش دیده ثبت نام کنید Register a trained model

مدل ها را مدیریت کنید Manage models

ایجاد اهداف محاسباتی تولید Create production compute targets

• ایجاد اهداف محاسباتی تولید Create production compute targets

ایجاد اهداف محاسباتی تولید Create production compute targets

یک مدل را به عنوان یک سرویس مستقر کنید Deploy a model as a service

• نصب AutoML Deploy AutoML

• یک نقطه پایانی AutoML ایجاد کنید Create an AutoML Endpoint

• استقرار ML Designer برای استنتاج زمان واقعی Deploy ML Designer for Real Time Inference

• استقرار مدل‌های SDK Deploy SDK Models

یک مدل را به عنوان یک سرویس مستقر کنید Deploy a model as a service

یک خط لوله برای استنتاج دسته ای ایجاد کنید Create a pipeline for batch inferencing

• یک خط لوله برای استنتاج دسته ای منتشر کنید Publish a Pipeline for Batch Inference

یک خط لوله برای استنتاج دسته ای ایجاد کنید Create a pipeline for batch inferencing

بسته شدن Wrap Up

• متشکرم! Thank You!

• سخنرانی پاداش Bonus Lecture

بسته شدن Wrap Up