
Curso Oficial DP-100T01
Designing and Implementing a Data Science Solution on Azure
Duración: 24 horas
Acerca del Curso
Aprenda a operar soluciones de aprendizaje automático a escala de la nube con Azure Machine Learning. Este curso le enseña a aprovechar su conocimiento existente de Python y el aprendizaje automático para administrar la ingesta y la preparación de datos, el entrenamiento y la implementación de modelos y el monitoreo de la solución de aprendizaje automático en Microsoft Azure.
Esquema del Curso
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
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
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
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
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
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
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
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
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
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
|
.

Beneficios de Nuestros Entrenamientos
Recuerda:
- Acceso al material oficial
- Acceso a Laboratorios Virtuales
- Modalidad Virtual en Tiempo Real- Microsoft Teams
- Certificado Oficial Microsoft con validez Internacional (requiere mínimo 80% de asistencia)
- Instructores Certificados
- Incluye Examen de Certificación *Válido solo #juevesdecapacitacion
Contáctenos
capacitacion@grupobusiness.it / andrea.pabon@grupobusiness.it