آموزش DP-100 Azure Data Scientist Associate راهنمای آزمون کامل

سرفصل ها و درس ها

معرفی Introduction

• DP-100 چیست؟ What is DP-100?

• اهداف این دوره چیست؟ What are the objectives of this course?

• نقشه راه دوره Course roadmap

• اهداف یادگیری Learning objectives

• نمای کلی مربی Instructor overview

• راه های دستیابی Ways to reach out

• کلیدهای موفقیت Keys to success

• رتبه بندی بگذارید Leave a rating

• با کیفیت 1080p تماشا کنید Watch in 1080p

راه اندازی محیط Environment Setup

• یک حساب کاربری Azure ایجاد کنید Create an Azure account

• مدیریت هزینه در Azure Cost management in Azure

• مواد مرجع Reference material

• منابع و پیش نیازها Resources and prerequisites

• توصیه های مفید دانش آموزان Helpful advice from students

LO1: طراحی و آماده سازی راه حل یادگیری ماشین (20-25٪) LO1: Design and prepare a machine learning solution (20–25%)

• 1-1-1 مشخصات محاسباتی مناسب را تعیین کنید 1-1-1 Determine the appropriate compute specifications

• 1-1-2 الزامات استقرار مدل 1-1-2 Model deployment requirements

• 1-1-3 انتخاب رویکرد توسعه برای ساخت یا آموزش یک مدل 1-1-3 Choice to development approach to build or train a model

• 1-2-1 یک فضای کاری یادگیری ماشینی Azure ایجاد کنید 1-2-1 Create an Azure Machine Learning workspace

• 1-2-1 بررسی فضای کاری 1-2-1 Walkthrough of workspace

• 1-2-1 منابع ایجاد شده توسط ML Workspace 1-2-1 Resources created by ML workspace

• 1-2-1 نحوه دسترسی به ابزارهای Azure ML 1-2-1 How to access Azure ML tools

• 1-2-1 یک نمونه محاسباتی ایجاد کنید 1-2-1 Create a compute instance

• 1-2-1 دستورهای import SDK python را اجرا کنید 1-2-1 Run python SDK import statements

• 1-2-1 توقف نمونه محاسباتی 1-2-1 Stopping compute instance

• 1-3-1 منابع داده Azure ایجاد کنید 1-3-1 Create Azure Data resources

• 1-3-2 یک دیتا استور ایجاد و ثبت کنید 1-3-2 Create and register a datastore

• 1-3-2 نمونه ای از انتقال فایل ها به دیتا استور 1-3-2 Example of transfering files to datastore

• 1-3-3 یک دارایی داده ایجاد کنید 1-3-3 Create a data asset

• 1-3-3 یک دارایی داده را از طریق SDK ثبت کنید 1-3-3 Register a data asset through SDK

• 1-3-3 دارایی های داده را از طریق SDK ثبت و مصرف کنید 1-3-3 Register and consume data assets through SDK

LO2: داده‌ها و مدل‌های قطار را کاوش کنید (35–40%) LO2: Explore data and train models (35–40%)

• 2-1-1 داده ها را بارگذاری و تبدیل کنید 2-1-1 Load and transform data

• 2-1-2 داده ها را با استفاده از Azure Data Explorer 1 تجزیه و تحلیل کنید 2-1-2 Analyze data using Azure Data Explorer 1

• 2-1-2 داده ها را با استفاده از Azure Data Explorer 2 تجزیه و تحلیل کنید 2-1-2 Analyze data using Azure Data Explorer 2

• 2-1-2 از مکانیک پروفایل برای کاوش داده ها استفاده کنید 2-1-2 Use profile mechanics to explore data

• 2-2-1 مقدمه خط لوله آموزشی ایجاد کنید 2-2-1 Create a training pipeline introduction

• 2-2-2 دارایی های داده را در طراح مصرف کنید 2-2-2 Consume data assets into the designer

• 2-2-3 از اجزای آماده سازی داده در طراح استفاده کنید 2-2-3 Use data preparation components in designer

• 2-2-3 مدل آموزشی و مولفه های امتیازدهی در طراح 2-2-3 Training model and scoring components in designer

• 2-2-3 ارزیابی اجزای مدل آموزش دیده در طراح 2-2-3 Evaluating trained model components in designer

• 2-2-3 نتایج ارزیابی تعریف شده است 2-2-3 Evaluation results defined

• 2-2-4 زمینه و مورد استفاده برای اجزای کد سفارشی 2-2-4 Context and use-case for custom code components

• 2-2-4 افزودن کد پایتون سفارشی در کامپوننت های سفارشی در دیزاینر 2-2-4 Adding custom python code in custom components in designer

• 2-3-1 معرفی خودکار ML 2-3-1 Automated ML introduction

• 2-3-1 رگرسیون خودکار ML و داده های جدولی مثال 1 2-3-1 Automated ML regression and tabular data example 1

• 2-3-1 رگرسیون خودکار ML و داده های جدولی مثال 2 2-3-1 Automated ML regression and tabular data example 2

• 2-3-1 رگرسیون خودکار ML و داده های جدولی مثال 3 2-3-1 Automated ML regression and tabular data example 3

• 2-3-2 پردازش خودکار زبان طبیعی ML مثال NLP 2-3-2 Automated ML natural language processing NLP example

• 2-3-4 گزینه های آموزشی در ML خودکار، از جمله پیش پردازش و الگوریتم ها 2-3-4 Training options in Automated ML, including preprocessing and algorithms

• 2-4-1 کد را با استفاده از یک نمونه محاسباتی توسعه دهید 2-4-1 Develop code using a compute instance

• 2-4-2 داده ها را در دفترچه یادداشت مصرف کنید 2-4-2 Consume data in a notebook

• 2-4-3 نحوه اجرای آزمایش 2-4-3 How to run an experiment

• 2-4-4 2-4-5 ارزیابی و آموزش یک مدل با استفاده از Python SDK 1 2-4-4 2-4-5 Evaluate and train a model using Python SDK 1

• 2-4-4 2-4-5 ارزیابی و آموزش یک مدل با استفاده از Python SDK 2 2-4-4 2-4-5 Evaluate and train a model using Python SDK 2

• 2-4-4 2-4-5 ارزیابی و آموزش یک مدل با استفاده از Python SDK 3 2-4-4 2-4-5 Evaluate and train a model using Python SDK 3

• 2-4-4 2-4-5 آزمایش ها را اجرا کنید و تأثیر آن بر معیارهای ارزیابی را اندازه گیری کنید 2-4-4 2-4-5 Run experiments and measure impact on evaluation metrics

LO3: یک مدل برای استقرار آماده کنید (20-25%) LO3: Prepare a model for deployment (20–25%)

• 3-1-1 مقدمه ای بر مدل اسکریپت های آموزشی 3-1-1 Introduction to model training scripts

• 3-1-1 3-1-3 3-1-4 3-1-6 3-1-7 اجرای اسکریپت آموزش مدل به صورت پایانی 1 3-1-1 3-1-3 3-1-4 3-1-6 3-1-7 Run model training script end-to-end 1

• 3-1-1 3-1-3 3-1-4 3-1-6 3-1-7 اجرای اسکریپت آموزشی مدل به صورت انتها به انتها 2 3-1-1 3-1-3 3-1-4 3-1-6 3-1-7 Run model training script end-to-end 2

• 3-1-1 3-1-3 3-1-4 3-1-6 3-1-7 اجرای اسکریپت آموزش مدل به صورت انتها به انتها 3 3-1-1 3-1-3 3-1-4 3-1-6 3-1-7 Run model training script end-to-end 3

• 3-1-1 3-1-3 3-1-4 3-1-6 3-1-7 اجرای اسکریپت آموزشی مدل به صورت انتها به انتها 4 3-1-1 3-1-3 3-1-4 3-1-6 3-1-7 Run model training script end-to-end 4

• 3-1-1 3-1-3 3-1-4 3-1-6 3-1-7 اجرای اسکریپت آموزش مدل به صورت سرتاسر 5 3-1-1 3-1-3 3-1-4 3-1-6 3-1-7 Run model training script end-to-end 5

• 3-1-8 3-1-2 پیکربندی تنظیم و تنظیم پارامترهای اسکریپت 3-1-8 3-1-2 Configure compute and set up script parameters set up

• 3-1-8 3-1-2 استفاده از پارامترهای اسکریپت 3-1-8 3-1-2 Using script parameters

• 3-1-8 3-1-2 دوچرخه سواری از طریق پارامترهای اسکریپت 3-1-8 3-1-2 Cycling through script parameters

• 3-1-8 3-1-2 تست پارامترهای مختلف اسکریپت 3-1-8 3-1-2 Testing different script parameters

• 3-1-8 3-1-2 محاسبه را برای اجرای کار پیکربندی کنید 3-1-8 3-1-2 Configure compute for a job run

• 3-1-8 3-1-2 افزودن محاسبات به یک محیط 3-1-8 3-1-2 Adding compute to an environment

• 3-1-8 3-1-2 حذف محاسبات از طریق Python SDK 3-1-8 3-1-2 Deleting a compute through Python SDK

• 3-2-1 مقدمه ای بر خطوط لوله 3-2-1 Introduction to pipelines

• 3-2-1 زمینه خط لوله 3-2-1 Pipeline context

• 3-2-1 یک مرحله داده آماده در خط لوله ایجاد کنید 3-2-1 Create a prepare data step in pipeline

• 3-2-1 یک مرحله مدل قطار در خط لوله ایجاد کنید 3-2-1 Create a train model step in pipeline

• 3-2-1 خطاهای خط لوله را برطرف کنید 3-2-1 Fix errors in pipeline

• 3-2-1 یک اسکریپت اجرای خط لوله ایجاد کنید 3-2-1 Create a pipeline run script

• 3-2-2 داده ها را بین مراحل در خط لوله انتقال دهید 3-2-2 Pass data between steps in pipeline

• 3-2-3 خط لوله را اجرا کنید 3-2-3 Run the pipeline

• 3-2-3 راه های دیگر برای اجرای خط لوله 3-2-3 Other ways to run the pipeline

• 3-2-3 انتشار نقطه پایانی 3-2-3 Publishing the endpoint

• 3-2-3 یک نقطه پایانی خط لوله ایجاد کنید 3-2-3 Create a pipeline endpoint

• 3-2-3 یک نقطه پایانی 1 را فراخوانی کنید 3-2-3 Call an endpoint 1

• 3-2-3 یک نقطه پایانی 2 را فراخوانی کنید 3-2-3 Call an endpoint 2

• 3-2-4 خط لوله مانیتور اجرا می شود 3-2-4 Monitor pipeline runs

LO4: استقرار و آموزش مجدد یک مدل (10-15٪) LO4: Deploy and retrain a model (10–15%)

• 4-1-1 4-1-3 4-1-5 مقدمه ای بر استقرار مدل 4-1-1 4-1-3 4-1-5 Introduction to deploying model

• 4-1-1 4-1-3 4-1-5 مدلی بسازید که باید مستقر شود 4-1-1 4-1-3 4-1-5 Create a model to be deployed

• 4-1-1 4-1-3 4-1-5 پیکربندی مدل برای استقرار بلادرنگ 4-1-1 4-1-3 4-1-5 Configure model for a real-time deployment

• 4-1-1 4-1-3 4-1-5 حذف متغیر وابسته 4-1-1 4-1-3 4-1-5 Removing the dependent variable

• 4-1-1 4-1-3 4-1-5 استقرار یک مدل در نقطه پایانی بلادرنگ 4-1-1 4-1-3 4-1-5 Deploy a model to a real-time endpoint

• 4-1-1 4-1-3 4-1-5 یک سرویس مستقر در زمان واقعی را آزمایش کنید 4-1-1 4-1-3 4-1-5 Test a real-time deployed service

• 4-1-1 4-1-3 4-1-5 مدل مستقر شده را در نقطه پایانی مصرف کنید 4-1-1 4-1-3 4-1-5 Consume the deployed model in endpoint

• 4-1-1 4-1-3 4-1-5 تغییراتی در مدل مستقر شده ایجاد کنید 4-1-1 4-1-3 4-1-5 Make modifications to deployed model

• 4-1-1 4-1-3 4-1-5 یک مدل را مجدداً مستقر کنید 4-1-1 4-1-3 4-1-5 Redeploy a model

امتحانات تمرینی Practice Exams

• امتحان تمرینی 1 Practice Exam 1

• امتحان عملی 2 Practice Exam 2

نتیجه Conclusion

• تبریک می گویم Congratulations

• نتیجه گیری و مراحل بعدی Conclusion and next steps

• راه های دستیابی Ways to reach out

• گواهی Certificate

جایزه Bonus

• جایزه Bonus