دوره جامع آزمون DP-100 مایکروسافت Azure DS - آخرین آپدیت

مقدمه‌ای بر محیط یادگیری ماشین آزور Introduction to Azure Machine Learning Environment

• معرفی دوره Introduction to Course

• نیازمندی‌های آزمون Exam Requirements

• ایجاد فضای کاری Azure Machine Learning Create an Azure Machine Learning Workspace

• تنظیمات فضای کاری Azure ML در پورتال Azure ML Workspace Settings - Portal

• تنظیمات Azure ML Studio Azure ML Studio Settings

• ذخیره‌سازها و مجموعه‌داده‌ها Data Stores and Datasets

• ایجاد مجموعه‌داده‌های اضافی Create Additional Datasets

زیرساخت‌های محاسباتی و خط لوله‌ها Compute Infrastructure and Pipelines

• ایجاد نمونه محاسباتی برای آزمایش Create an Experiment Compute Instance

• مدیریت چندین نمونه محاسباتی Manage Multiple Compute Instances

• ایجاد اهداف محاسباتی و کلاسترها Create Compute Targets and Clusters

• ایجاد اولین خط لوله یادگیری ماشین Creating our First ML Pipeline

• ارسال و اجرای خط لوله Submitting Pipeline

• کدنویسی سفارشی در خط لوله Custom Code in Pipeline

• درک خط لوله‌های پیچیده Understanding Complicated Pipeline

• ارزیابی نتایج اجرا Evaluating Execution Results

• خطاهای رایج در Azure ML Designer Errors in Azure ML Designer

• بررسی ماژول‌های مختلف Azure ML Designer Various Modules of Azure ML Designer

توسعه و اتوماسیون مبتنی بر SDK SDK-Based Development and Automation

• راه‌اندازی SDK Setup SDK

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

• برنامه‌نویسی ساده در پایتون Simple Program in Python

• آموزش مدل با استفاده از SDK Train Model using SDK

• ارسال آزمایش با استفاده از SDK Submit Experiment using SDK

• ایجاد خط لوله با استفاده از SDK Create a Pipeline by using SDK

• مروری بر AutoML AutoML Overview

• کار با AutoML و SDK AutoML with SDK

• درک مفهوم HyperDrive Understanding what is Hyper drive

استقرار مدل و خط لوله‌های عملیاتی Model Deployment and Production Pipelines

• ثبت مدل آموزش‌دیده Register a Trained Model

• ایجاد اهداف محاسباتی برای محیط عملیاتی Create Production Compute Targets

• استقرار AutoML Deploy AutoML

• ایجاد نقطه انتهایی (Endpoint) برای AutoML Create an AutoML Endpoint

• استقرار ML Designer برای استنباط لحظه‌ای Deploy ML Designer for Real Time

• استقرار مدل‌های توسعه یافته با SDK Deploy SDK Models

• انتشار خط لوله برای استنباط دسته‌ای Publish a Pipeline for Batch Inference

• جمع‌بندی و نتیجه‌گیری Conclusion