Módulo 1: Introducción a Azure Machine Learning

En este módulo, aprenderá cómo aprovisionar un espacio de trabajo de Azure Machine Learning y usarlo para administrar activos de aprendizaje automático como datos, computación, código de entrenamiento del modelo, métricas registradas y modelos entrenados. Aprenderá a usar la interfaz de estudio de Azure Machine Learning basada en la web, así como el SDK de Azure Machine Learning y herramientas de desarrollo como Visual Studio Code y Jupyter Notebooks para trabajar con los activos en su espacio de trabajo.

Lección

• Introducción al aprendizaje automático de Azure
• Trabajar con Azure Machine Learning

Módulo 2: Herramientas visuales para el aprendizaje automático

Este módulo presenta las herramientas visuales Automated Machine Learning y Designer, que puede utilizar para entrenar, evaluar e implementar modelos de aprendizaje automático sin escribir ningún código.

Lección

• Aprendizaje automático automatizado
• Diseñador de Azure Machine Learning

Módulo 3: Ejecución de experimentos y modelos de entrenamiento

En este módulo, comenzará con experimentos que encapsulan el procesamiento de datos y el código de entrenamiento de modelos, y los usará para entrenar modelos de aprendizaje automático.

Lección

• Introducción a los experimentos
• Modelos de formación y registro

Módulo 4: Trabajar con datos

Los datos son un elemento fundamental en cualquier carga de trabajo de aprendizaje automático, por lo que en este módulo aprenderá a crear y administrar almacenes de datos y conjuntos de datos en un área de trabajo de aprendizaje automático de Azure, y cómo usarlos en experimentos de entrenamiento de modelos.

Lección

• Trabajar con almacenes de datos
• Trabajar con conjuntos de datos

Módulo 5: Trabajar con Compute

Uno de los beneficios clave de la nube es la capacidad de aprovechar los recursos informáticos a pedido y usarlos para escalar los procesos de aprendizaje automático en una medida que sería inviable en su propio hardware. En este módulo, aprenderá a administrar entornos de experimentos que garantizan la coherencia del tiempo de ejecución de los experimentos y a crear y utilizar objetivos de cálculo para las ejecuciones de experimentos.

Lección

• Trabajar con entornos
• Trabajar con objetivos informáticos

Módulo 6: Orquestación de operaciones con canalizaciones

Ahora que comprende los conceptos básicos de la ejecución de cargas de trabajo como experimentos que aprovechan los activos de datos y los recursos informáticos, es hora de aprender a organizar estas cargas de trabajo como canalizaciones de pasos conectados. Las canalizaciones son clave para implementar una solución eficaz de operacionalización de aprendizaje automático (ML Ops) en Azure, por lo que explorará cómo definirlas y ejecutarlas en este módulo.

Lección

• Introducción a las canalizaciones
• Publicación y ejecución de canalizaciones

Módulo 7: Implementación y consumo de modelos

Los modelos están diseñados para ayudar a la toma de decisiones a través de predicciones, por lo que solo son útiles cuando se implementan y están disponibles para que una aplicación los consuma. En este módulo, aprenda a implementar modelos para inferencias en tiempo real y para inferencias por lotes.

Lección

• Inferencia en tiempo real
• Inferencia por lotes
• Integración y entrega continuas

Módulo 8: Entrenamiento de modelos óptimos

En esta etapa del curso, ha aprendido el proceso de un extremo a otro para capacitar, implementar y consumir modelos de aprendizaje automático; pero, ¿cómo se asegura de que su modelo produzca los mejores resultados predictivos para sus datos? En este módulo, explorará cómo puede usar el ajuste de hiperparámetros y el aprendizaje automático automatizado para aprovechar la computación a escala de la nube y encontrar el mejor modelo para sus datos.

Lección

• Ajuste de hiperparámetros
• Aprendizaje automático automatizado

Módulo 9: Aprendizaje automático responsable

Los científicos de datos tienen el deber de garantizar que analizan datos y entrenan modelos de aprendizaje automático de manera responsable; respetar la privacidad individual, mitigar los prejuicios y garantizar la transparencia. Este módulo explora algunas consideraciones y técnicas para aplicar principios de aprendizaje automático responsable.

Lección

• Privacidad diferencial
• Interpretabilidad del modelo
• Justicia

Módulo 10: Modelos de monitoreo

Una vez que se ha implementado un modelo, es importante comprender cómo se utiliza el modelo en producción y detectar cualquier degradación en su eficacia debido a la deriva de datos. Este módulo describe técnicas para monitorear modelos y sus datos.

Lección

• Monitoreo de modelos con Application Insights
• Supervisión de la deriva de datos