آموزش Microsoft Azure AI Engineer: توسعه خطوط لوله ML در Microsoft Azure

Microsoft Azure AI Engineer: Developing ML Pipelines in Microsoft Azure

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

آموزش Microsoft Azure AI Engineer: توسعه خطوط لوله ML در Microsoft Azure
جزییات دوره
2h 31m
50
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
23
4.9 از 5
دارد
دارد
دارد
Tim Warner
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Tim Warner Tim Warner

تیموتی وارنر با ارزش ترین حرفه ای مایکروسافت (MVP) در Cloud and Datacenter Management است که در نشویل ، TN مستقر است. از جمله تخصص های حرفه ای وی می توان به Microsoft Azure ، کراس پلتفرم PowerShell و همه موارد مرتبط با Windows Server اشاره کرد. می توانید از طریق توییتر (TechTrainerTim) ، LinkedIn یا وبلاگ وی ، AzureDepot.com به تیم برسید.