آموزش جامع گواهینامه Microsoft Azure Data Scientist Associate (DP-100) - آخرین آپدیت

مقدمه Introduction

• مرور کلی Overview

• تکنولوژی‌های پیش‌نیاز Prerequisite technology

دامنه 1: طراحی و آماده‌سازی راهکار یادگیری ماشین Domain 1: Design and Prepare a Machine Learning Solution

• ایجاد اهداف محاسباتی (Compute Targets) برای آزمایش‌ها و آموزش Create compute targets for experiments and training

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

• تعیین مشخصات محاسباتی مناسب برای حجم کاری آموزش Determine the appropriate compute specifications for a training workload

• ایجاد و مدیریت دارایی‌های داده (Data Assets) Create and manage data assets

• مدیریت فضای کاری با استفاده از ابزارهای توسعه‌دهنده Manage a workspace by using developer tools for workspace interaction

• نظارت بر بهره‌وری محاسبات Monitor compute utilization

دامنه 2: کاوش داده‌ها و آموزش مدل‌ها Domain 2: Explore Data and Train Models

• تکنیک‌های بهینه‌سازی هایپرپارامترها (Hyperparameter Optimization) Techniques for dealing with hyperparameter optimization

• آموزش مدل با استفاده از Python SDK Train a model by using Python SDK

• بارگذاری و تغییر شکل داده‌ها (Transform Data) Load and transform data

• استفاده از دارایی‌های داده در محیط Designer Consume data assets from the designer

• تحلیل داده‌ها با استفاده از Azure Data Explorer Analyze data by using Azure Data Explorer

• استفاده از داده‌ها در یک Notebook Consume data in a notebook

• استفاده از یادگیری ماشین خودکار (AutoML) برای داده‌های جدولی Use automated machine learning for tabular data

• توسعه کد با استفاده از compute instance Develop code by using a compute instance

• دمو: Azure Data Explorer Demo: Azure Data Explorer

دامنه 3: آماده‌سازی مدل برای استقرار Domain 3: Prepare a Model for Deployment

• شرح جریان کاری مدل MLflow در Databricks Describe MLflow model workflow in Databricks

• شرح خروجی مدل MLflow Describe MLflow model output

• استفاده از دارایی داده در یک Job Consume data from a data asset in a job

• شناسایی فریم‌ورک مناسب برای بسته‌بندی مدل Identify an appropriate framework to package a model

• استفاده از MLflow برای ثبت معیارهای اجرای یک Job Use MLflow to log metrics from a job run

• اجرای یک اسکریپت به عنوان Job با استفاده از Azure Machine Learning Run a script as a job by using Azure Machine Learning

• پیکربندی محاسبات برای اجرای یک Job Configure compute for a job run

دامنه 4: استقرار و آموزش مجدد مدل Domain 4: Deploy and Retrain a Model

• به‌کارگیری متدهای عملیاتی یادگیری ماشین (MLOps) Apply machine learning operations (MLOps) practices

• تست سرویس‌های استقرار یافته در حالت Real-time Test a real-time deployed service

• استقرار مدل در یک Batch Endpoint Deploy a model to a batch endpoint

• جمع‌بندی Conclusion

• پیکربندی محاسبات برای استقرار دسته‌ای (Batch Deployment) Configure compute for a batch deployment

• اجرای خط لوله (Pipeline) Azure Machine Learning از طریق Azure DevOps یا GitHub Trigger an Azure Machine Learning pipeline, including from Azure DevOps or GitHub