نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره برای افراد حرفه ای داده ، توسعه دهندگان و متخصصان فناوری اطلاعات با زمینه های مختلف مسئولیت است که نیاز به همکاری موثر در پروژه های علوم داده دارند و به طور تکراری مدل های یادگیری ماشین با کیفیت بالا و قابل تکرار را در Microsoft Azure توسعه می دهند. در هسته Microsoft Azure AI بودن مهندس نیاز به همکاری موثر را برطرف می کند. در این دوره ، Microsoft Azure AI Engineer: Developing ML Pipelines in Microsoft Azure ، شما می آموزید که چگونه با استفاده از سرویس یادگیری ماشین Microsoft Azure ، مدل های یادگیری ماشین تکرار شونده و با کیفیت بالا را توسعه ، استقرار و نظارت کنید. ابتدا می فهمید که چگونه می توان خطوط لوله یادگیری ماشین بدون کد را با استفاده از طراح بصری سرویس Azure ML ایجاد کرد. در مرحله بعدی ، نحوه آموزش مدل های ML را با استفاده از Python ، نوت بوک های Jupyter و فضای کار Microsoft Azure Machine Learning کشف خواهید کرد. سرانجام ، شما خواهید فهمید که چگونه محیط Azure Machine Learning خود را از دیدگاه دانشمند داده و مهندس داده نظارت کنید. وقتی این دوره را به پایان رساندید ، دانش بنیادی از سرویس یادگیری ماشین Azure Machine مایکروسافت را خواهید داشت که به شما در حرکت به جلو در نقش شغلی مهندس Microsoft Azure AI کمک خواهد کرد.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
درک فضاهای کاری یادگیری ماشین
Understanding Machine Learning Workspaces
-
بررسی اجمالی
Overview
-
تعاریف اولیه
Preliminary Definitions
-
چشم انداز یادگیری ماشین لاجوردی
The Azure Machine Learning Landscape
-
فضای کار یادگیری ماشین لاجوردی
The Azure Machine Learning Workspace
-
نحوه تعامل شما با Azure ML Workspace
How You Interact with the Azure ML Workspace
-
نسخه ی نمایشی: گشت و گذار در فضای کار یادگیری ماشین لاجوردی
Demo: Touring the Azure Machine Learning Workspace
-
نسخه ی نمایشی: تور استودیوی یادگیری ماشین لاجورد
Demo: Touring Azure Machine Learning Studio
-
خلاصه
Summary
درک خطوط لوله Azure ML
Understanding Azure ML Pipelines
-
بررسی اجمالی
Overview
-
تعاریف اولیه
Preliminary Definitions
-
خط لوله یادگیری ماشین لاجورد
The Azure Machine Learning Pipeline
-
انتشار خط لوله Azure ML
Publishing an Azure ML Pipeline
-
برنامه ریزی خط لوله Azure ML
Planning an Azure ML Pipeline
-
نسخه ی نمایشی: یک خط لوله Azure ML بسازید
Demo: Build an Azure ML Pipeline
-
نسخه ی نمایشی: خط لوله ML را اجرا و منتشر کنید
Demo: Run and Publish the ML Pipeline
-
خلاصه
Summary
مدیریت فضاهای کاری یادگیری ماشین
Managing Machine Learning Workspaces
-
بررسی اجمالی
Overview
-
فضای کار یادگیری ماشین لاجورد را درک کنید
Understand the Azure Machine Learning Workspace
-
یک فضای کاری ایجاد کنید
Create a Workspace
-
نسخه ی نمایشی: یک فضای کاری Azure ML مستقر کنید
Demo: Deploy an Azure ML Workspace
-
نسخه ی نمایشی: آشنایی با فضای کاری
Demo: Getting Familiar with the Workspace
-
نسخه ی نمایشی: کار با نوت بوک های مشتری
Demo: Working with Jupyter Notebooks
-
کنترل دسترسی مبتنی بر نقش (RBAC) در Azure
Role-Based Access Control (RBAC) in Azure
-
نسخه ی نمایشی: Azure ML را با RBAC امن کنید
Demo: Secure Azure ML with RBAC
-
نسخه ی نمایشی: یک نقش سفارشی RBAC ایجاد و آزمایش کنید
Demo: Create and Test a Custom RBAC Role
-
خلاصه
Summary
پیاده سازی خطوط لوله AI
Implementing AI Pipelines
-
بررسی اجمالی
Overview
-
فرآیند استقرار خط لوله Azure ML
The Azure ML Pipeline Deployment Process
-
نسخه ی نمایشی: محیط فضای کاری ما را تنظیم کنید
Demo: Set up Our Workspace Environment
-
نسخه ی نمایشی: آزمایشی را با Python SDK اجرا کنید
Demo: Run an Experiment with the Python SDK
-
ماشین مجازی Azure Data Science
The Azure Data Science Virtual Machine
-
نسخه ی نمایشی: استفاده از Azure Data Science VM
Demo: Deploy an Azure Data Science VM
-
خلاصه
Summary
آزمایش های مدیریتی
Managing Experiments
-
بررسی اجمالی
Overview
-
Datastore در مقابل Dataset
Datastore vs. Dataset
-
خودکار یادگیری ماشین
Automated Machine Learning
-
نسخه ی نمایشی: یک Datastore تهیه کنید
Demo: Prepare a Datastore
-
نسخه ی نمایشی: یک مجموعه داده آماده کنید
Demo: Prepare a Dataset
-
نسخه ی نمایشی: یک آزمایش ML خودکار ایجاد کنید
Demo: Create an Automated ML Experiment
-
نسخه ی نمایشی: بهترین مدل ML را به کار بگیرید
Demo: Deploy the Best ML Model
-
خلاصه
Summary
مدیریت جریان داده و ورود به سیستم
Managing Data Flow and Logging
-
بررسی اجمالی
Overview
-
نظارت بر روند آموزش مدل ML
Monitoring the ML Model Training Process
-
نسخه ی نمایشی: نظارت بر آزمایشات در Azure Machine Learning Studio
Demo: Monitoring Experiments in Azure Machine Learning Studio
-
نسخه ی نمایشی: استفاده از Azure ML Python SDK برای نظارت بر آموزش مدل
Demo: Using the Azure ML Pyhon SDK to Monitor Model Training
-
نظارت بر سرویس یادگیری ماشین لاجوردی
Monitoring the Azure Machine Learning Service
-
نسخه ی نمایشی: رسم معیارهای منابع Azure ML و افزایش هشدارها
Demo: Plotting Azure ML Resource Metrics and Raising Alerts
-
نسخه ی نمایشی: س Quال از Azure ML Log Data
Demo: Querying Azure ML Log Data
-
خلاصه
Summary
نمایش نظرات