Modul 2: Visuelle Tools für maschinelles Lernen

In diesem Modul werden die visuellen Tools zum automatisierten maschinellen Lernen und das Designer-Tool behandelt, mit denen Sie Machine Learning-Modelle trainieren, auswerten und bereitstellen könne, ohne Code schreiben zu müssen.

Lektionen

• Automatisiertes maschinelles Lernen

• Azure Machine Learning-Designer

Lab: Verwenden des automatisierten maschinellen Lernens

Lab: Verwenden des Azure Machine Learning-Designers

Nach Abschluss dieses Moduls sind Sie in der Lage zur

• Verwendung des automatisierten maschinellen Lernens zum Trainieren eines Machine Learning-Modells

• Verwendung des Azure Machine Learning-Designers zum Trainieren eines Modells

Modul 3: Ausführen von Experimenten und Trainieren von Modellen

In diesem Modul werden Sie mit Experimenten beginnen, die Datenverarbeitung und Trainingscode modellieren und diese zum Training von Modellen für maschinelles Lernen verwenden.

Lektionen

• Einführung in Experimente

• Trainieren und Registrieren von Modellen

Lab: Trainieren von Modellen

Lab: Ausführen von Experimenten

Nach Abschluss dieses Moduls sind Sie in der Lage zur

• Ausführung von auf Code basierenden Experimenten in einem Azure Machine Learning-Arbeitsbereich

• Modelle für maschinelles Lernen trainieren und registrieren

Modul 4: Arbeiten mit Daten

Daten sind ein grundlegendes Element in jeder Workload mit maschinellem Lernen. Daher erfahren Sie in diesem Modul, wie Sie Datenspeicher und Datasets in einem Azure Machine Learning-Arbeitsbereich erstellen und verwalten und wie Sie sie in Experimenten zum Modelltraining verwenden.

Lektionen

• Arbeiten mit Datenspeichern

• Arbeiten mit Datasets

Lab: Arbeiten mit Daten

Nach Abschluss dieses Moduls sind Sie in der Lage zur

• Erstellen und Verwenden von Datenspeichern

• Erstellen und Verwenden von Datasets

Modul 5: Arbeiten mit Compute-Ressourcen

Einer der Hauptvorteile der Cloud ist die Möglichkeit, Rechenressourcen nach Bedarf zu nutzen und sie zur Skalierung von maschinellen Lernprozessen in einem Umfang zu nutzen, der auf der eigenen Hardware nicht möglich wäre. In diesem Modul lernen Sie, wie Sie Experimentierumgebungen verwalten können, die eine konsistente Laufzeitkonsistenz für Experimente gewährleisten, und wie Sie Rechenziele für Experimentläufe erstellen und verwenden können.

Lektionen

• Arbeiten mit Umgebungen

• Arbeiten mit Computezielen

Lab: Arbeiten mit Compute-Ressourcen

Nach Abschluss dieses Moduls sind Sie in der Lage zur

• Erstellen und Verwenden von Umgebungen

• Erstellen und Verwenden von Computezielen

Modul 6: Orchestrieren von Operationen mit Pipelines

Jetzt, da Sie die Grundlagen der Ausführung von Workloads als Experimente verstehen, die Datenbestände und Berechnungsressourcen nutzen, ist es an der Zeit zu lernen, wie man diese Workloads als Pipeline zusammenhängender Schritte orchestrieren kann. Weil Pipelines für die Implementierung einer effektiven Lösung für die Machine Learning-Operationalisierung (ML-Ops) in Azure entscheidend sind, werden Sie in diesem Modul erkunden, wie Sie sie definieren und ausführen können.

Lektionen

• Einführung in Pipelines

• Veröffentlichen und Ausführen von Pipelines

Lab: Erstellen einer Pipeline

Nach Abschluss dieses Moduls sind Sie in der Lage zur

• Erstellung von Pipelines zum Automatisieren von Machine Learning-Workflows

• Veröffentlichung und Ausführung von Pipelinediensten

Modul 7: Bereitstellen und Nutzen von Modellen

Modelle sollen die Entscheidungsfindung durch Vorhersagen unterstützen, daher sind sie nur dann nützlich, wenn sie eingesetzt werden und für eine Anwendung zur Verfügung stehen. In diesem Modul lernen Sie, wie man Modelle für Echtzeit- und Batch-Inferenzierung einsetzt.

Lektionen

• Echtzeitrückschließen

• Batchrückschließen

• Continuous Integration und Continuous Delivery

Lab: Erstellen eines Echtzeitrückschlussdiensts

Lab: Erstellen eines Batchrückschlussdiensts

Nach Abschluss dieses Moduls sind Sie in der Lage zur

• Veröffentlichung eines Modells als Echtzeitrückschlussdienst

• Veröffentlichung eines Modells als Batchrückschlussdienst

• Beschreibung von Techniken zum Implementieren von Continuous Integration und Continuous Delivery

Modul 8: Trainieren optimaler Modelle

In dieser Phase des Kurses haben Sie den End-to-End-Prozess für die Schulung, den Einsatz und die Nutzung von maschinellen Lernmodellen kennen gelernt; aber wie stellen Sie sicher, dass Ihr Modell die besten Vorhersageergebnisse für Ihre Daten liefert? In diesem Modul werden Sie untersuchen, wie Sie Hyperparameter-Tuning und automatisiertes maschinelles Lernen einsetzen können, um die Vorteile der CloudScale-Berechnung zu nutzen und das beste Modell für Ihre Daten zu finden.

Lektionen

• Hyperparameteroptimierung

• Automatisiertes maschinelles Lernen

Lab: Verwenden des automatisierten maschinellen Lernens über das SDK

Lab: Optimieren von Hyperparametern

Nach Abschluss dieses Moduls sind Sie in der Lage zur

• Optimierung von Hyperparametern für das Modelltraining

• Verwendung des automatisierten maschinellen Lernens zum Suchen des optimalen Modells für Ihre Daten

Modul 9: Verantwortungsvolles maschinelles Lernen

Data Scientists müssen sicherstellen, dass sie verantwortungsvoll Daten analysieren und Machine Learning-Modelle trainieren, indem sie die Privatsphäre von Einzelpersonen respektieren, Vorurteile vermeiden und Transparenz gewährleisten. In diesem Modul werden einige Überlegungen und Techniken zum Anwenden von Prinzipien für verantwortungsvolles maschinelles Lernen untersucht.

Lektionen

• Differential Privacy

• Interpretierbarkeit von Modellen

• Fairness

Lab: Einführung in die Differential Privacy

Lab: Interpretieren von Modellen

Lab: Erkennen und Verringern von Unfairness

Nach Abschluss dieses Moduls sind Sie in der Lage zur

• Anwenden der Differential Privacy auf die Datenanalyse

• Verwendung von Explainern zur Interpretation von Machine Learning-Modellen

• Auswerten von Modellen auf Fairness

Modul 10: Überwachen von Modellen

Nach der Einführung eines Modells ist es wichtig zu verstehen, wie das Modell in der Produktion eingesetzt wird, und jede Beeinträchtigung seiner Wirksamkeit aufgrund von Datenabweichungen zu erkennen. Dieses Modul beschreibt Techniken zur Überwachung von Modellen und ihren Daten.

Lektionen

• Überwachen von Modellen mit Application Insights

• Überwachen der Datendrift

Lab: Überwachen der Datendrift

Lab: Überwachen eines Modells mit Application Insights

Nach Abschluss dieses Moduls sind Sie in der Lage zur

• Verwenden von Application Insights zur Überwachung eines veröffentlichten Modells

• Überwachung der Datendrift