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

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