آموزش DP-100 Azure Data Scientist Associate راهنمای آزمون کامل

DP-100 Azure Data Scientist Associate Complete Exam Guide

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: راهنمای کامل آموزش DP-100 Azure Machine Learning برای آماده سازی شما برای DP-100، با آزمون های تمرینی در DP 100 Azure ML همه چیزهایی که برای قبولی در آزمون DP-100 و دریافت گواهینامه Azure Data Scientist Associate نیاز دارید همه اهداف یادگیری موجود در DP -100 برنامه درسی، از طریق سخنرانی‌های ویدیویی، نمایش‌های نمایشی، برنامه‌های کاربردی و آزمون‌های تمرینی یادگیری و تسلط بر یادگیری ماشینی Azure، سرویسی توسط مایکروسافت که به هر کسی امکان می‌دهد راه‌حل‌های علم داده و یادگیری ماشین را بسازد، استقرار و مدیریت کند، یک سرویس پیش‌بینی‌کننده بر اساس یک مدل ایجاد کند. که ایجاد می کنید، با یک راه حل کامل از انتها به انتها طراحی و آماده سازی راه حل یادگیری ماشین کاوش داده ها و مدل های قطار تهیه مدل برای استقرار استقرار و آموزش مجدد مدلی پیش نیازها: آشنایی با علم داده و مفاهیم یادگیری ماشین (مانند رگرسیون ، آموزش و اعتبارسنجی، هایپرپارامترها مفید است اما ضروری نیست آشنایی با زبان پایتون و کتابخانه های علوم داده (پاندا، اسکلرن و غیره) مفید است اما ضروری نیست کامپیوتر با مرورگر وب و اینترنت تجربه Azure لازم نیست، تشنه یادگیری باشید!

آیا می‌خواهید به سرعت راه‌حل‌های علم داده و یادگیری ماشین را بسازید، به کار بگیرید، و مقیاس‌بندی کنید، بدون دانستن کدهای عمیق، نگرانی در مورد کانتینرها/نقاط پایانی، یا کدگذاری خطوط لوله داده؟


آیا می‌خواهید یادگیری ماشینی Azure را یاد بگیرید و به آن مسلط شوید، یک سرویس درجه یک شرکت مایکروسافت که ابزارهایی را برای چرخه عمر یادگیری ماشینی سرتاسر به شما می‌دهد؟


آیا می‌خواهید مدل‌های با کیفیت بالا را سریع‌تر و با اطمینان بسازید، اجرا و مدیریت کنید؟


آیا می‌خواهید از مایکروسافت گواهینامه دریافت کنید تا بتوانید آن را در رزومه/رزومه خود قرار دهید و به کارفرمایان بالقوه نشان دهید که می‌دانید چگونه راه‌حل‌های Data Science را با استفاده از یادگیری ماشینی Azure به کار بگیرید؟


آیا می‌خواهید در اولین تلاش Microsoft DP 100 را پاس کنید و یک منبع کامل می‌خواهید که همه چیزهایی را که برای گواهینامه DP-100 نیاز دارید داشته باشد؟


پس این دوره برای شماست. از بیش از 15 ساعت محتوای آموزشی با سخنرانی‌های ویدیویی، نمایش‌های نمایشی، برنامه‌های کاربردی واقعی، و آزمون‌های تمرینی، با تنها راهنمای کامل همه چیزهایی که برای قبولی در آزمون DP-100 و دریافت گواهینامه خود نیاز دارید، بیاموزید.


این دوره تمام آموزش هایی را که باید بگذرانید به شما ارائه می دهد - با سخنرانی های دقیق، دموها، و سوالات تمرینی برای هر یک از 62 هدف آموزشی در برنامه درسی DP100. این دوره ساختاری را که برای موفقیت نیاز دارید به شما می دهد - ما هر هدف آموزشی را به ترتیب دنبال می کنیم تا هرگز گم نشوید.


این دوره همچنین برای آن دسته از دانشجویانی است که می خواهند یادگیری ماشینی Azure و خدمات زیربنایی آن را بیاموزند. همراه با آموزش مورد نیاز برای گذراندن گواهینامه DP 100، دانش آموزان به این ابزار تسلط دارند.


طراحی و پیاده‌سازی یک راه‌حل علم داده در Azure و Azure Data Scientist Associate DP-100 گواهینامه‌های DP-100، DP100 و DP 100 نیز نامیده می‌شود و بنابراین اینها به جای یکدیگر استفاده می‌شوند.


DP-100 چیست؟

DP-100 یک آزمون گواهی ارائه شده توسط مایکروسافت است که به شما امکان می دهد گواهینامه Azure Data Scientist Associate را دریافت کنید. این آزمون نحوه طراحی، ساخت و استقرار راه حل یادگیری ماشین را با استفاده از یادگیری ماشینی Azure پوشش می دهد. گواهینامه شما را قادر می سازد به کارفرمایان و مشتریان ثابت کنید که می توانید راه حل های یادگیری ماشین و علم داده را بسازید و عملیاتی کنید و قابلیت های اصلی یادگیری ماشینی Azure را درک کنید. فرمت امتحان متفاوت است، اما اغلب 40-60 سوال در حدود 2 ساعت است. DP-100 به DP 100 یا DP100 نیز گفته می شود.


این دوره در مورد چیست؟

هدف از این دوره این است که شما را برای آزمون DP 100 Designing and Implementing a Data Science Solution در آزمون Azure آماده کند تا بتوانید در اولین امتحان آن را قبول کنید. این به شما سخنرانی های ویدیویی اختصاصی، راه رفتن در دموها، برنامه های کاربردی واقعی و امتحانات تمرینی ارائه می دهد تا شانس موفقیت خود را به حداکثر برسانید. این دوره 100٪ از 62 هدف آموزشی در برنامه درسی مایکروسافت را پوشش می دهد و به شما آموزش می دهد که در اولین تلاش گواهینامه را دریافت کنید.


DP-100 چه چیزی را پوشش می دهد؟

DP-100 نحوه استفاده از یادگیری ماشینی Azure را برای طراحی و پیاده سازی راه حل علم داده و یادگیری ماشین پوشش می دهد. به طور خاص، نحوه طراحی و آماده‌سازی راه‌حل یادگیری ماشین، نحوه کاوش داده‌ها و مدل‌های آموزش، نحوه آماده‌سازی یک مدل برای استقرار، و نحوه استقرار و آموزش مجدد یک مدل را پوشش می‌دهد. برنامه درسی همه چیز را در مورد استودیوی یادگیری ماشینی Azure، هم در گردش کار طراح (بدون کد)، هم در گردش کار خودکار ML و هم در گردش کار کدنویسی (Python SDK، Notebooks) پوشش می‌دهد.


پیش نیازهای مصرف DP-100 چیست؟

کاندیداها باید تخصص موضوعی در کاربرد علم داده و ML برای پیاده‌سازی و اجرای بارهای کاری ML داشته باشند.


یادگیری ماشینی Azure چیست؟

Azure Machine Learning (یا به اختصار Azure ML) سرویسی از مایکروسافت برای ایجاد، اعتبارسنجی و استقرار راه حل های یادگیری ماشین و علم داده است. همه چیزهایی که نیاز دارید را پوشش می دهد، از آماده سازی داده ها، آموزش مدل و اعتبارسنجی، مدیریت مدل نقطه پایانی، و نظارت/مدیریت مدل. به‌خصوص اگر با الگوریتم‌های علم داده، مدیریت کانتینر، نظارت بر محاسبات و غیره آشنا نباشید، استفاده از علم داده و راه‌حل‌های یادگیری ماشین را برای هر کسی آسان‌تر می‌کند - این کار همه را برای شما انجام می‌دهد. یادگیری ماشینی Azure به دانشمندان داده اجازه می‌دهد تا روی آنچه مهم‌تر است تمرکز کنند و بقیه را خودکار کند. این قدرت علم داده و یادگیری ماشین را به هر کسی می دهد.


چرا یادگیری ماشینی Azure بسیار مهم است؟

آموزش ماشینی Azure راه مایکروسافت برای دموکراتیزه کردن یادگیری ماشین و علم داده برای کاربران روزمره است.


چرا باید گواهینامه DP-100 را دریافت کنید؟

گواهینامه DP-100 از مایکروسافت روشی شناخته شده برای اثبات این موضوع است که شما می‌دانید و می‌توانید از یادگیری ماشینی Azure برای ساخت مدل‌های یادگیری ماشینی حیاتی تجاری در مقیاس استفاده کنید. شما می توانید از دانشی که در دوره DP-100 یاد می گیرید برای ایجاد تأثیر در سازمان خود استفاده کنید، اما خدمات پیش بینی و نقاط پایانی را به کار بگیرید. می توانید آن را به رزومه خود اضافه کنید تا به طور قابل توجهی شانس استخدام خود را افزایش دهید. اکثر کارفرمایان حتی هزینه آموزش و امتحان را به دلیل ارزشی که این گواهی ارائه می دهد، پوشش می دهند. در برخی کشورها، حتی می توانید اعتبارات کالج ACE را دریافت کنید.


چرا این دوره را انتخاب کنید؟

  • راهنمای کامل - این 100٪ کامل است، راهنمای آموزش صفر تا قهرمان برای قبولی در آزمون DP 100. این شامل سخنرانی ها، دموها، راهنمای مطالعه، امتحانات تمرینی و موارد دیگر است. این تنها منبعی است که برای امتحان ACE به آن نیاز خواهید داشت. این شامل بیش از 15 ساعت محتوای آموزشی است!

  • پوشش کامل - ما برنامه درسی مایکروسافت را یک به یک مرور می کنیم و تمام جنبه های هر یک از 62 هدف مختلف آموزشی را پوشش می دهیم. این بدان معناست که هیچ شگفتی در امتحان وجود ندارد، و تضمین می کند که در اولین تلاش برای قبولی در آزمون DP-100 بهترین آمادگی را دارید.

  • ساختاری برای موفقیت - این دوره دقیقاً منعکس کننده برنامه درسی DP 100 مایکروسافت است. هر یک از 62 هدف آموزشی دارای ترکیبی از راهنمای مطالعه PDF، سخنرانی‌های ویدیویی کامل، پیاده‌روی کامل ویدیویی از طریق نمایش‌های نمایشی و برنامه است.

  • آموزشی و کاربردی - ما نه تنها مفاهیم مهم را مرور می کنیم، بلکه آنها را در حین ساختن برنامه کاربردی خود به کار می بریم تا بتوانیم آنها را تقویت کنیم. این نه تنها شرحی از تمام ویژگی ها و مفاهیم نظری است، بلکه یک دوره آموزشی DP-100 است که در واقع برنامه های کاربردی را با شما می سازد

  • امتحانات تمرینی - این دوره شامل امتحانات تمرینی با سؤالاتی است که دقیقاً منعکس کننده انواع سؤالات موجود در آزمون DP-100 است. از آنها برای تأیید دانش خود و یافتن زمینه های ضعیف تری که باید در آنها مرور کنید استفاده کنید.

  • گام به گام - هر هدف آموزشی در برنامه درسی DP 100 مایکروسافت به ترتیب، گام به گام پوشش داده شده است. این تضمین می کند که هرگز در دوره گم نشوید.

  • پاسخ معلم - اگر چیز دیگری وجود دارد که دوست دارید یاد بگیرید، یا اگر چیزی وجود دارد که نمی توانید بفهمید، من برای شما اینجا هستم! به راه‌های دسترسی به ویدیو

    نگاه کنید
  • انجمن - وقتی در این دوره ثبت نام می کنید، به انجمن DP100 مملو از یادگیرندگانی مانند شما می پیوندید

  • بر یک ابزار جدید مسلط شوید - یادگیری ماشینی Azure، از ابزارهای اصلی طراح بدون کد تا استقرار کد کاملاً سفارشی شده با استفاده از Python SDK


نظریه اجمالی دوره

این دوره دقیقاً طبق برنامه درسی DP100 بر اساس 62 هدف آموزشی (LO) که مایکروسافت تعریف کرده است دنبال می شود. همه چیز در این دوره برای به حداکثر رساندن شانس شما برای قبولی در آزمون ساخته شده است. برای هر هدف آموزشی، این دوره ترکیبی از ویدئوهای سخنرانی هدایت شده، دموهای راهنما و برنامه را ارائه می دهد. سپس با امتحانات تمرینی پایان می دهیم.


نمای کلی دوره

مقدمه - در مورد آزمون DP 100 و بهترین روش برای موفقیت بیاموزید

تنظیم محیط - یک حساب Azure راه اندازی کنید تا بتوانید آن را دنبال کنید و برنامه درسی را مرور کنید

LO1: یک راه حل یادگیری ماشین (20 تا 25٪) طراحی و آماده کنید

LO2: داده‌ها و مدل‌های قطار را کاوش کنید (35–40%)

LO3: یک مدل برای استقرار (20-25٪) آماده کنید

LO4: استقرار و آموزش مجدد یک مدل (10-15٪)

امتحانات را تمرین کنید - آنچه را که آموخته اید تمرین کنید تا دانش خود را تأیید کنید

نتیجه - امتحان خود را بدهید، گواهینامه خود را دریافت کنید و مراحل بعدی را دریافت کنید


آیکون های Freepik/Flaticon. موسیقی توسط Bensound.


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

نمایش نظرات

آموزش DP-100 Azure Data Scientist Associate راهنمای آزمون کامل
جزییات دوره
8.5 hours
96
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
621
4.4 از 5
دارد
دارد
دارد
Henry Habib
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Henry Habib Henry Habib

پلتفرم قدرت و علاقه مندان به هوش مصنوعی

سلام! من هنری هستم، مشاور داده در شرکت‌های Fortune 500، متخصص بدون کد، و علاقه‌مند به هوش مصنوعی مستقر در کانادا.

من از طرفداران پرشور توسعه برنامه‌های بدون کد در تجارت هستم، زیرا انجام آنها بسیار آسان‌تر است. را درک کرده و به سرعت مستقر کنید. من همچنین معتقدم که هوش مصنوعی و اتوماسیون می‌تواند زندگی همه را آسان‌تر کند، و در تلاش هستم تا این مهارت‌ها را به هر تعداد که می‌توانم آموزش دهم. من کاملاً معتقدم که راه‌حل‌های بدون کد و هوش مصنوعی آینده کار هستند و این راه‌حل‌ها در زندگی روزمره ما یکپارچه خواهند بود.

من همچنین عاشق آموزش و راهنمایی دانش‌آموزان در موضوعات مختلف از جمله هوش مصنوعی هستم. -کد، اتوماسیون، تجزیه و تحلیل داده ها، و تجسم، و بیشتر. من متعهد به ایجاد دوره‌های جذاب و مفیدی هستم که دانش و مهارت‌های مورد نیاز دانش‌آموزان را با تبدیل شدن به نسل بعدی رهبران کسب‌وکار فراهم می‌کند.

من همچنین رهبر هوش مصنوعی برای DNA سازمانی هستم، داده‌های برتر و انجمن Power Platform.

برای برخی از ویدیوهای آموزشی من به زیر مراجعه کنید.