آموزش DP-100: Azure Machine Learning & Data Science Exam Prep 2023

سرفصل ها و درس ها

شروع کار با Azure ML Getting Started with Azure ML

• بررسی اجمالی دوره Course Overview

• مهم - به‌روزرسانی بررسی Udemy Important - Udemy Review Update

• مقدمه ای بر یادگیری ماشینی Azure Introduction to Azure Machine Learning

• استودیوی یادگیری ماشین لاجورد Azure Machine Learning Studio

• برگه تقلب Azure ML Azure ML Cheat Sheet

• ایجاد حساب Microsoft Azure Creating Microsoft Azure Account

• مواد درسی: اسلایدها، نوت بوک های Colab و مجموعه داده ها Course Materials: Slides, Colab Notebooks and Datasets

راه اندازی Azure ML Workspace and Resources Setting up Azure ML Workspace and Resources

• Azure ML: معماری و مفاهیم Azure ML: Architecture and Concepts

• ایجاد فضای کاری AzureML Creating AzureML Workspace

• نمای کلی فضای کاری Workspace Overview

• نمای کلی استودیو AzureML AzureML Studio Overview

• منابع ایجاد شده توسط Azure ML Workspace Resources created by Azure ML Workspace

• ایجاد نمونه محاسباتی Creating Compute Instance

• اجرای کد نمونه بر روی نمونه محاسباتی Running Sample Code on Compute Instance

• توقف و حذف نمونه محاسبه Stopping & Deleting the Compute Instance

• ایجاد خوشه محاسباتی Creating Compute Cluster

• Azure ML Data Workflow Azure ML Data Workflow

• کاوش حساب ذخیره سازی و ذخیره داده پیش فرض Exploring default storage account & datastore

• مراحل ایجاد مجموعه داده Steps to Create a Dataset

• ایجاد دیتا استور Creating a Datastore

• ایجاد مجموعه داده Creating a Dataset

• کاوش مجموعه داده AzureML Exploring AzureML Dataset

• حذف منابع Deleting the Resources

اجرای آزمایش ها و مدل های آموزشی Running Experiments and Training Models

• خط لوله Azure ML Azure ML Pipeline

• ایجاد خط لوله جدید با استفاده از AzureML Designer Creating New Pipeline using AzureML Designer

• ارسال طرح خط لوله طراح Submitting the Designer Pipeline Run

استقرار مدل ها Deploying the Models

• ایجاد خط لوله استنتاج بلادرنگ Creating Real-Time Inference Pipeline

• استقرار نقطه پایانی بلادرنگ در AzureML Designer Deploying Real-Time Endpoint in AzureML Designer

• ایجاد خط لوله استنتاج دسته ای در AzureML Designer Creating Batch Inference Pipeline in AzureML Designer

• اجرای خط لوله استنتاج دسته ای در طراح AzureML Running Batch Inference Pipeline in AzureML Designer

• حذف منابع Deleting the Resources

طراح AzureML: پیش پردازش داده ها AzureML Designer: Data Preprocessing

• راه اندازی Workspace و Compute Resources Setting up Workspace and Compute Resources

• مجموعه داده های نمونه Sample Datasets

• Columns را در Dataset انتخاب کنید Select Columns in Dataset

• وارد کردن مجموعه داده خارجی از URL وب Importing External Dataset From Web URL

• ویرایش فراداده - نام ستون ها Edit Metadata - Column Names

• ویرایش متادیتا - نوع ویژگی و نوع داده Edit Metadata - Feature Type and Data Type

• ایجاد حساب ذخیره سازی، ذخیره داده و مجموعه داده ها Creating Storage Account, Datastore and Datasets

• اضافه کردن ستون ها از یک مجموعه داده به مجموعه دیگر Adding Columns From One Dataset to Another One

• افزودن ردیف از یک مجموعه داده به مجموعه دیگر Adding Rows From One Dataset to Another One

• ماژول داده های گمشده را پاک کنید Clean Missing Data Module

• تقسیم مجموعه داده Splitting the Dataset

• عادی سازی مجموعه داده Normalizing Dataset

• صادرات داده به Blob Storage Exporting Data to Blob Storage

• حذف منابع Deleting the Resources

پروژه 1: رگرسیون با استفاده از AzureML Designer Project 1: Regression Using AzureML Designer

• ایجاد فضای کاری، منابع محاسباتی، حساب ذخیره سازی، ذخیره داده و مجموعه داده Creating Workspace, Compute Resources, Storage Account, Datastore and Dataset

• مشکل کسب و کار Business Problem

• تجزیه و تحلیل مجموعه داده Analyzing the Dataset

• پیش پردازش داده ها Data Preprocessing

• آموزش مدل ML با رگرسیون خطی (نزولی شیب آنلاین) Training ML Model with Linear Regression (Online Gradient Descent)

• ارزیابی نتایج Evaluating the Results

• آموزش مدل ML با رگرسیون خطی (کمترین مربعات معمولی) Training ML Model with Linear Regression (Ordinary least squares)

• آموزش مدل ML با درخت تصمیم تقویت شده و رگرسیون جنگل تصمیم Training ML Model with Boosted Decision Tree and Decision Forest Regression

• نهایی کردن مدل ML Finalizing the ML Model

• ایجاد و استقرار خط لوله استنتاج بلادرنگ Creating and Deploying Real-Time Inference Pipeline

• ایجاد و استقرار خط لوله استنتاج دسته ای Creating and Deploying Batch Inference Pipeline

• حذف منابع Deleting the Resources

پروژه 2: طبقه بندی با استفاده از AzureML Designer Project 2: Classification Using AzureML Designer

• ایجاد فضای کاری، منابع محاسباتی، حساب ذخیره سازی، ذخیره داده و مجموعه داده Creating Workspace, Compute Resources, Storage Account, Datastore and Dataset

• مشکل کسب و کار Business Problem

• تجزیه و تحلیل مجموعه داده Analyzing the Dataset

• پیش پردازش داده ها Data Preprocessing

• آموزش مدل ML با رگرسیون لجستیک دو کلاسه Training ML Model with Two-Class Logistic Regression

• آموزش مدل ML با SVM دو کلاسه Training ML Model with Two-Class SVM

• آموزش مدل ML با درخت تصمیم تقویت شده دو کلاسه و جنگل تصمیم Training ML Model with Two-Class Boosted Decision Tree & Decision Forest

• نهایی کردن مدل ML Finalizing the ML Model

• ایجاد و استقرار خط لوله استنتاج دسته ای Creating and Deploying Batch Inference Pipeline

AzureML SDK: راه اندازی Azure ML Workspace AzureML SDK: Setting up Azure ML Workspace

• AzureML SDK مقدمه AzureML SDK Introduction

• ایجاد فضای کاری با استفاده از AzureMl SDK Creating Workspace using AzureMl SDK

• ایجاد یک Datastore با استفاده از AzureMl SDK Creating a Datastore using AzureMl SDK

• ایجاد مجموعه داده با استفاده از AzureMl SDK Creating a Dataset using AzureMl SDK

• دسترسی به Workspace، Datastore و Dataset با AzureML SDK Accessing the Workspace, Datastore and Dataset with AzureML SDK

• تبدیل AzureML Dataset و Pandas Dataset AzureML Dataset and Pandas Dataset Conversion

• آپلود مجموعه داده های محلی در حساب ذخیره سازی Uploading Local Datasets to Storage Account

AzureML SDK: اجرای آزمایش‌ها و مدل‌های آموزشی AzureML SDK: Running Experiments and Training Models

• اجرای آزمایش نمونه در محیط AzureML Running Sample Experiment in AzureML Environment

• ثبت مقادیر برای آزمایش در محیط AzureML Logging Values to Experiment in AzureML Environment

• مقدمه ای بر محیط Azure ML Introduction to Azure ML Environment

• اجرای اسکریپت در AzureML Environment قسمت 1 Running Script in AzureML Environment Part 1

• اجرای اسکریپت در محیط AzureML قسمت 2 Running Script in AzureML Environment Part 2

• آپلود فایل خروجی در اجرای موجود در محیط AzureML Uploading the output file to Existing run in AzureML Environment

• رگرسیون لجستیک در محیط محلی قسمت 1 Logistic Regression in Local Environment Part 1

• رگرسیون لجستیک در محیط محلی قسمت 2 Logistic Regression in Local Environment Part 2

• ایجاد اسکریپت پایتون - رگرسیون لجستیک Creating Python Script - Logistic Regression

• اجرای اسکریپت پایتون برای رگرسیون لجستیک در محیط AzureML Running Python Script for Logistic Regression in AzureML Environment

• روش log_confusion_matrix log_confusion_matrix Method

• ارائه خوشه محاسباتی در AzureML SDK Provisioning Compute Cluster in AzureML SDK

• آموزش مدل خودکار - مقدمه Automate Model Training - Introduction

• آموزش مدل خودکار - Pipeline Run Part 1 Automate Model Training - Pipeline Run Part 1

• آموزش مدل خودکار - Pipeline Run Part 2 Automate Model Training - Pipeline Run Part 2

• آموزش مدل خودکار - اسکریپت پردازش داده Automate Model Training -Data Processing Script

• Automate Model Training - Model Training Script Automate Model Training - Model Training Script

• آموزش مدل خودکار - اجرای خط لوله Automate Model Training - Running the Pipeline

از ML خودکار برای ایجاد مدل های بهینه استفاده کنید Use Automated ML to Create Optimal Models

• مقدمه ای بر خودکار ML Introduction to Automated ML

• ML خودکار در استودیوی یادگیری ماشینی Azure Automated ML in Azure Machine Learning studio

• ML خودکار در Azure Learning Machine SDK Automated ML in Azure Machine Learning SDK

هایپرپارامترها را با یادگیری ماشینی Azure تنظیم کنید Tune hyperparameters with Azure Machine Learning

• تنظیم فراپارامتر چیست؟ What Hyperparameter Tuning Is?

• فضای جستجوی Hyperparameters را تعریف کنید Define the Hyperparameters Search Space

• نمونه برداری از فضای فراپارامتر Sampling the Hyperparameter Space

• خط مشی خاتمه زودهنگام را مشخص کنید Specify Early Termination Policy

• پیکربندی Hyperdrive Run - قسمت 1 Configuring the Hyperdrive Run - Part 1

• پیکربندی Hyperdrive Run - قسمت 2 Configuring the Hyperdrive Run - Part 2

• ایجاد اسکریپت آموزشی Hyperdrive Creating the Hyperdrive Training Script

• دریافت بهترین مدل و فراپارامترها Getting the Best Model and Hyperparameters

برای تفسیر مدل ها از توضیح دهنده های مدل استفاده کنید Use Model Explainers to Interpret Models

• تکنیک های تفسیرپذیری در Azure Interpretability Techniques in Azure

• توضیح دهنده مدل در ماشین محلی Model Explainer on Local Machine

• توضیح مدل در AzureML قسمت 1 Model Explainer in AzureML Part 1

• توضیح مدل در AzureML قسمت 2 Model Explainer in AzureML Part 2

ثبت و استقرار مدل با استفاده از Azureml SDK Model Registration and Deployment Using Azureml SDK

• مقدمه‌ای بر سریال‌سازی و سریال‌زدایی Introduction to Serialization and Deserialization

• سریال سازی با استفاده از Joblib Serialization Using Joblib

• سریال زدایی با استفاده از Joblib Deserialization Using Joblib

• مدیریت متغیرهای ساختگی در تولید Handling Dummy Variables in Production

• آموزش مدل ML برای استقرار وب سرویس Train ML Model for Webservice Deployment

• مدل را با استفاده از فایل pkl Run ID ثبت کنید Register the Model Using Run ID pkl File

• مدل را با استفاده از فایل pkl محلی ثبت کنید Register the Model Using Local pkl File

• ارائه خوشه تولید AKS Provision AKS Production Cluster

• بازنگری در مراحل آموخته شده Revising the Steps Learned

• پروژه 3: مرحله 1 (ایجاد و دسترسی به فضای کاری) Project 3: Step 1 (Creating and Accessing the Workspace)

• پروژه 3: مرحله 2 (آموزش و سریال سازی مدل ML) Project 3: Step 2 (Train and Serialize ML Model)

• پروژه 3: مرحله 3 (ثبت مدل در فضای کاری) Project 3: Step 3 (Register the Model to Workspace)

• پروژه 3: مرحله 4 (ثبت یک محیط) Project 3: Step 4 (Register an Environment)

• پروژه 3: مرحله 5 (ایجاد خوشه AKS) Project 3: Step 5 (Create AKS Cluster)

• پروژه 3: مرحله 6 (استنتاج و پیکربندی استقرار) Project 3: Step 6 (Inference and Deployment Configuration)

• پروژه 3: مرحله 7 (ایجاد اسکریپت ورودی) Project 3: Step 7 (Creating the Entry Script)

• پروژه 3: مرحله 8 (ایجاد نقطه پایانی) Project 3: Step 8 (Creating an Endpoint)

• پروژه 3: مرحله 9 (آزمایش وب سرویس) Project 3: Step 9 (Testing the Web Service)

• پروژه 4: استقرار چندین مدل به عنوان وب سرویس (مرحله 1) Project 4: Deploy Multiple Models as Webservice (Step 1)

• پروژه 4: استقرار چندین مدل به عنوان وب سرویس (مرحله 2) Project 4: Deploy Multiple Models as Webservice (Step 2)

• پروژه 4: استقرار چندین مدل به عنوان وب سرویس (مرحله 3) Project 4: Deploy Multiple Models as Webservice (Step 3)

• پروژه 4: استقرار چندین مدل به عنوان وب سرویس (مرحله 4) Project 4: Deploy Multiple Models as Webservice (Step 4)

Azure Fundamentals: Virtual Machines Azure Fundamentals: Virtual Machines

• مقدمه ای بر ماشین های مجازی Azure Introduction to Azure Virtual Machines

• ایجاد ماشین مجازی در Azure Creating Virtual Machine in Azure

• اتصال به ماشین مجازی و اجرای دستورات Connecting to Virtual Machine and Running Commands

• مفاهیم کلیدی - تصویر، اندازه و دیسک Key Concepts - Image, Size and Disks

• دستورات اجرا شده در آموزش Commands executed in Tutorial

• نصب nginx بر روی ماشین مجازی Azure Installing nginx on Azure Virtual Machine

• دستورات اجرا شده در آموزش Commands executed in Tutorial

• ساده سازی نصب نرم افزار در ماشین مجازی Azure Simplification of Software Installation on Azure Virtual Machine

• مجموعه ها و مناطق در دسترس بودن Availability Sets and Zones

• مجموعه مقیاس ماشین مجازی Virtual Machine Scale Sets

• مقیاس بندی و تعادل بار با مجموعه مقیاس های VM Scaling and Load Balancing with VM Scale Sets

• IP استاتیک، مانیتورینگ، هاست اختصاصی و کاهش هزینه Static IP, Monitoring, Dedicated Host and Reducing the Cost

• طراحی راه حل های خوب با ماشین های مجازی Azure Designing Good Solutions with Azure VMs

Azure Fundamentals: Managed Compute Services Azure Fundamentals: Managed Compute Services

• مقدمه ای بر خدمات محاسباتی مدیریت شده Azure Introduction to Azure Managed Compute Services

• مقدمه ای بر IaaS، PaaS و SaaS Introduction to IaaS, PaaS and SaaS

• آشنایی با سرویس Azure App Introduction to Azure App Service

• ایجاد اولین برنامه وب با استفاده از سرویس Azure App Creating First Web App using Azure App Service

• اطلاعات بیشتر در مورد سرویس برنامه Azure More about the Azure App Service

• معرفی کانتینرها Introduction to Containers

• مقدمه ای بر نمونه های کانتینر Azure Introduction to Azure Container Instances

• ارکستراسیون کانتینر - AKS and Service Fabric Container Orchestration - AKS and Service Fabric

• آشنایی با Azure Serverless Introduction to Azure Serverless

• سرویس بدون سرور Azure - توابع Azure Azure Serverless Service - Azure Functions

• برنامه های منطقی Logic Apps

• مدل مسئولیت مشترک Azure Azure Shared Responsibility Model

• نقد و بررسی - خدمات محاسباتی Azure Review - Azure Compute Services

• حذف گروه های منابع Deleting Recourse Groups

Azure Fundamentals: Storage Azure Fundamentals: Storage

• معرفی Azure Storage Introduction to Azure Storage

• ذخیره سازی بلوک مدیریت شده و مدیریت نشده در Azure Managed and Unmanaged Block Storage in Azure

• فایل های لاجوردی Azure Files

• Azure Blob Storage and Tiers Azure Blob Storage and Tiers

Azure Fundamentals: Databases Azure Fundamentals: Databases

• مقدمه ای بر پایگاه داده Introduction to Database

• عکس های فوری، گزارش تراکنش ها، پایگاه داده آماده به کار Snapshots, Transaction Logs, Standby Database

• RTO و RPO RTO and RPO

• سازگاری داده ها Data Consistency

• چگونه یک پایگاه داده را انتخاب کنیم؟ How to Select a Database ?

• مقدمه ای بر پایگاه داده رابطه ای Introduction to Relational Database

• پایگاه داده رابطه ای-OLTP Relational Database-OLTP

• ایجاد MySQL Server در Azure Creating MySQL Server in Azure

• کد در آموزش بعدی اجرا شد Code executed in next tutorial

• کاوش MySQL Server در Azure Exploring MySQL Server in Azure

• پایگاه داده رابطه ای - OLAP (پردازش تحلیل آنلاین) Relational Database - OLAP (Online Analytics Processing)

• پایگاه داده Azure NoSQL: Azure Cosmos DB Azure NoSQL Database: Azure Cosmos DB

• کاوش پایگاه داده Azure NoSQL: Azure Cosmos DB Exploring Azure NoSQL Database: Azure Cosmos DB

• Azure In-Memory Database: Azure Cache برای Redis Azure In-Memory Database: Azure Cache for Redis

• بررسی: پایگاه های داده Review: Databases

• پایگاه های داده: سناریوها Databases: Scenarios

• حذف گروه های منابع پایگاه داده Deleting Database Recourse Groups