Designing and Implementing a Data Science Solution on Azure (DP-100)

Algemene omschrijving

De training Designing and Implementing a Data Science Solution on Azure (DP-100) is essentieel voor datawetenschappers en ICT-professionals die zich willen verdiepen in het toepassen van data science-technieken binnen Microsoft Azure. Deze DP100 training biedt jou een grondige kennis van hoe jij effectieve data science-oplossingen kunt ontwerpen en implementeren binnen een Microsoft Azure-omgeving, met behulp van de nieuwste hulpmiddelen en technologieën.

Microsoft Azure speelt een cruciale rol in moderne data science-projecten. De DP 100 training behandelt hoe de geavanceerde clouddiensten van Microsoft Azure, zoals Azure Machine Learning en Azure Databricks, gebruikt kunnen worden om schaalbare en efficiënte data science-oplossingen te ontwikkelen. Je leert hoe jij de krachtige reken- en opslagmogelijkheden van Microsoft Azure kunt benutten om complexe data-analyses en machine learning-modellen te verwerken.

De DP 100 training gaat diep in op de implementatie van machine learning-modellen in Microsoft Azure. Door deel te nemen aan deze DP 100 training krijg jij praktijkervaring met het gebruik van Azure Machine Learning om modellen te trainen, te evalueren en te implementeren. Dit stelt jou in staat om de theorie in praktijk te brengen en waardevolle inzichten te verwerven die direct toepasbaar zijn in jouw eigen data science-projecten.

Doelgroep

Deze DP 100 training is met name geschikt voor de volgende mensen:

• Datawetenschappers en data-analisten
  • Datawetenschappers en data-analisten die geïnteresseerd zijn in het uitbreiden van hun kennis en vaardigheden in cloudgebaseerde data science-oplossingen zullen veel voordeel halen uit deze training. Deze training biedt jou de kans om de geavanceerde technieken en hulpmiddelen van Microsoft Azure te leren gebruiken, waardoor jij efficiëntere en effectievere data-analyseoplossingen kunt ontwerpen en implementeren.
• ICT-professionals en cloudarchitecten
  • ICT-professionals en cloudarchitecten die zich richten op het ontwikkelen en beheren van cloudinfrastructuur kunnen hun expertise aanzienlijk uitbreiden door deze training te volgen.
  • Deze training biedt diepgaande kennis van specifieke diensten binnen Microsoft Azure en hoe deze effectief gebruikt kunnen worden voor data science-projecten, wat jou in staat stelt om meer geïntegreerde en geoptimaliseerde cloudoplossingen te ontwerpen.
• AI Engineers
  • AI Engineers die geïnteresseerd zijn in het toepassen van hun vaardigheden binnen een cloudomgeving zullen deze zeer waardevol vinden. De training biedt gedetailleerde inzichten in het gebruik van Azure Machine Learning en andere hulpmiddelen binnen Microsoft Azure voor het ontwikkelen en implementeren van machine learning-modellen, wat essentieel is voor het ontwikkelen van geavanceerde analyseoplossingen.
• Softwareontwikkelaars en data engineers
  • Softwareontwikkelaars en data engineers die willen leren hoe ze data science en machine learning in hun applicaties en systemen kunnen integreren, zullen van deze training profiteren. Deze training helpt jou om de integratie van Azure data science-diensten in bestaande en nieuwe applicatiearchitecturen te begrijpen, waardoor jij geavanceerdere en datagestuurde applicaties kunt ontwikkelen.
• Business Intelligence-professionals
  • Business Intelligence-professionals die naar een dieper begrip van data science en machine learning binnen een cloudomgeving streven, zullen de voordelen van deze training ervaren.
  • Deze DP 100 training biedt jou de kennis en vaardigheden om complexe data-analyses uit te voeren en voorspellende modellen te ontwikkelen op Microsoft Azure, waardoor jij waardevollere inzichten kunt leveren voor bedrijfsbeslissingen.

Leerdoelen

Door deze DP 100 training te volgen zul je de volgende kennis en vaardigheden verkrijgen:

• Beheersen van data science-diensten
  • Je zult diepgaande kennis opdoen van data science-diensten binnen Microsoft Azure, zoals Azure Machine Learning en Azure Databricks. Dit stelt jou in staat om deze krachtige hulpmiddelen te gebruiken voor het ontwikkelen van geavanceerde data science-oplossingen.
• Ontwerpen van effectieve data science-oplossingen
  • Een belangrijk leerdoel is het leren ontwerpen van effectieve en efficiënte data science-oplossingen binnen Microsoft Azure. Dit omvat het begrijpen van de beste werkwijzen voor dataopslag, dataverwerking, en modelontwikkeling in de cloud.
• Implementatie van machine learning-modellen
  • Deze DP 100 training is gericht op het praktisch implementeren van machine learning-modellen met Azure Machine Learning. Je leert hoe jij modellen kunnen trainen, evalueren en inzetten, waardoor je direct toepasbare vaardigheden opdoet die je in data science-projecten kunt gebruiken.
• Ontwikkelen van vaardigheden in data engineering en data-analyse
  • Je zult vaardigheden ontwikkelen in data engineering en data-analyse, essentieel voor het werken met grote datasets en het uitvoeren van complexe analyses. Dit omvat het leren hanteren van de dataopslag en -verwerkingstechnologieën van Microsoft Azure.
• Microsoft Certified: Azure Data Scientist Associate
  • Deze DP 100 training bereidt jou ook voor op het afleggen van het afsluitend certificeringsexamen. Het succesvol behalen van dit examen bevestigt jouw vaardigheden en expertise op het gebied van data science op Microsoft Azure, wat jouw carrièrekansen aanzienlijk vergroot.

Voorkennis

Voordat jij deelneemt aan deze DP 100 training raden wij aan dat jij over de volgende kennis en vaardigheden beschikt:

• Grondige kennis van cloudconcepten en Microsoft Azure
  • Voor succesvolle Azure Data Scientists is het essentieel om te beginnen met een grondige kennis van clouddiensten. Dit omvat het vermogen om cloudbronnen effectief te creëren en te beheren binnen Microsoft Azure, een belangrijke vaardigheid voor het werken in moderne, cloudgebaseerde data science-omgevingen.
• Ervaring met Python voor data-analyse en datavisualisatie
  • Een belangrijk onderdeel van de rol van een Azure Data Scientist is het gebruik van Python voor data-analyse en visualisatie. Deze vaardigheid stelt jou in staat om inzichten te verkrijgen uit complexe datasets en deze inzichten op een begrijpelijke manier te presenteren.
• Training en validatie van Machine Learning-modellen
  • Een belangrijke vaardigheid voor Azure Data Scientists is de bekwaamheid in het trainen en valideren van machine learning-modellen. Dit vereist diepgaande kennis van algemene frameworks die essentieel zijn voor het ontwikkelen van geavanceerde voorspellende modellen, zoals:
    • Scikit-Learn.
    • PyTorch.
    • TensorFlow.
• Het werken met containers
  • Het vermogen om met containers te werken, zoals Docker, is een belangrijke vaardigheid voor Azure Data Scientists. Dit stelt jou in staat om jouw data science-projecten en -modellen efficiënt te verpakken, te distribueren en uit te voeren in diverse omgevingen, waardoor de flexibiliteit en schaalbaarheid van jouw oplossingen wordt verhoogd.

Onderwerpen

DP-100 | Module 1: Getting Started with Azure Machine Learning

In this module, you will learn how to provision an Azure Machine Learning workspace and use it to manage machine learning assets such as data, compute, model training code, logged metrics, and trained models. You will learn how to use the web-based Azure Machine Learning studio interface as well as the Azure Machine Learning SDK and developer tools like Visual Studio Code and Jupyter Notebooks to work with the assets in your workspace.

Lessons:

• Introduction to Azure Machine Learning.
• Working with Azure Machine Learning.

Lab: Create an Azure Machine Learning Workspace

After completing this module, you will be able to:

• Provision an Azure Machine Learning workspace.
• Use tools and code to work with Azure Machine Learning.

DP-100 | Module 2: Visual Tools for Machine Learning

This module introduces the Automated Machine Learning and Designer visual tools, which you can use to train, evaluate, and deploy machine learning models without writing any code.

Lessons:

• Automated Machine Learning.
• Azure Machine Learning Designer.

Lab: Use Automated Machine Learning

Lab: Use Azure Machine Learning Designer

After completing this module, you will be able to:

• Use automated machine learning to train a machine learning model.
• Use Azure Machine Learning designer to train a model.

DP-100 | Module 3: Running Experiments and Training Models

In this module, you will get started with experiments that encapsulate data processing and model training code, and use them to train machine learning models.

Lessons:

• Introduction to Experiments.
• Training and Registering Models.

Lab: Train Models

Lab: Run Experiments

After completing this module, you will be able to:

• Run code-based experiments in an Azure Machine Learning workspace.
• Train and register machine learning models.

DP-100 | Module 4: Working with Data

Data is a fundamental element in any machine learning workload, so in this module, you will learn how to create and manage datastores and datasets in an Azure Machine Learning workspace, and how to use them in model training experiments.

Lessons:

• Working with Datastores.
• Working with Datasets.

Lab: Work with Data

After completing this module, you will be able to:

• Create and use datastores.
• Create and use datasets.

DP-100 | Module 5: Working with Compute

One of the key benefits of the cloud is the ability to leverage compute resources on demand, and use them to scale machine learning processes to an extent that would be infeasible on your own hardware. In this module, you'll learn how to manage experiment environments that ensure consistent runtime consistency for experiments, and how to create and use compute targets for experiment runs.

Lessons:

• Working with Environments.
• Working with Compute Targets.

Lab: Work with Compute

After completing this module, you will be able to:

• Create and use environments.
• Create and use compute targets.

DP-100 | Module 6: Orchestrating Operations with Pipelines

Now that you understand the basics of running workloads as experiments that leverage data assets and compute resources, it's time to learn how to orchestrate these workloads as pipelines of connected steps. Pipelines are key to implementing an effective Machine Learning Operationalization (ML Ops) solution in Azure, so you'll explore how to define and run them in this module.

Lessons:

• Introduction to Pipelines.
• Publishing and Running Pipelines.

Lab: Create a Pipeline

After completing this module, you will be able to:

• Create pipelines to automate machine learning workflows.
• Publish and run pipeline services.

DP-100 | Module 7: Deploying and Consuming Models

Models are designed to help decision making through predictions, so they're only useful when deployed and available for an application to consume. In this module learn how to deploy models for real-time inferencing, and for batch inferencing.

Lessons:

• Real-time Inferencing.
• Batch Inferencing.
• Continuous Integration and Delivery.

Lab: Create a Real-time Inferencing Service

Lab: Create a Batch Inferencing Service

After completing this module, you will be able to:

• Publish a model as a real-time inference service.
• Publish a model as a batch inference service.
• Describe techniques to implement continuous integration and delivery.

DP-100 | Module 8: Training Optimal Models

By this stage of the course, you've learned the end-to-end process for training, deploying, and consuming machine learning models; but how do you ensure your model produces the best predictive outputs for your data? In this module, you'll explore how you can use hyperparameter tuning and automated machine learning to take advantage of cloud-scale compute and find the best model for your data.

Lessons:

• Hyperparameter Tuning.
• Automated Machine Learning.

Lab: Use Automated Machine Learning from the SDK

Lab: Tune Hyperparameters

After completing this module, you will be able to:

• Optimize hyperparameters for model training.
• Use automated machine learning to find the optimal model for your data.

DP-100 | Module 9: Responsible Machine Learning

Data scientists have a duty to ensure they analyze data and train machine learning models responsibly; respecting individual privacy, mitigating bias, and ensuring transparency. This module explores some considerations and techniques for applying responsible machine learning principles.

Lessons:

• Differential Privacy.
• Model Interpretability.
• Fairness.

Lab: Explore Differential provacy

Lab: Interpret Models

Lab: Detect and Mitigate Unfairness

After completing this module, you will be able to:

• Apply differential provacy to data analysis.
• Use explainers to interpret machine learning models.
• Evaluate models for fairness.

DP-100 | Module 10: Monitoring Models

After a model has been deployed, it's important to understand how the model is being used in production, and to detect any degradation in its effectiveness due to data drift. This module describes techniques for monitoring models and their data.

Lessons:

• Monitoring Models with Application Insights.
• Monitoring Data Drift.

Lab: Monitor Data Drift

Lab: Monitor a Model with Application Insights

After completing this module, you will be able to:

• Use Application Insights to monitor a published model.
• Monitor data drift.