Train and deploy a machine learning model with Azure Machine Learning (DP-3007)

Algemene omschrijving

In het digitale tijdperk, waar data het nieuwe goud is, biedt de training Microsoft: Train and deploy a machine learning model with Azure Machine Learning (DP-3007) een onmisbare gelegenheid om de grenzen van traditionele data-analyse te doorbreken. Deze training is ontworpen om je te leren hoe jij optimaal gebruik kunt maken van Azure Machine Learning, waardoor je in staat wordt gesteld om krachtige machine learning-modellen te trainen, beoordelen en gebruiksklaar te maken.

Of je nu een beginnende of ervaren datawetenschapper bent, deze training zal jouw kennis en vaardigheden naar een hoger niveau tillen. Je leert hoe jij met de geavanceerde hulpmiddelen en diensten van Microsoft Azure complexe datasets kunt verkennen, verwerken en gebruiken om voorspellende modellen te bouwen die echt indruk maken.

In deze training leer je niet alleen hoe jij machine learning-modellen kunt trainen, maar ook hoe jij ze efficiënt kunt beoordelen, verbeteren en implementeren binnen jouw organisatie. Deze training behandelt essentiële thema's zoals modelvalidatie, performance tuning en strategieën voor het optimaal gebruiksklaar maken van machine learning-modellen. Met deze kennis en vaardigheden kun je vol vertrouwen datagebaseerde beslissingen nemen.

Doelgroep

Deze training is voornamelijk geschikt voor datawetenschappers en AI Engineers.

Leerdoelen DP-3007

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

• Data beschikbaar maken in Azure Machine Learning.
• Werken met rekendoelen (compute targets) in Azure Machine Learning.
• Werken met omgevingen in Azure Machine Learning.
• Een trainingsscript uitvoeren als een opdrachttaak in Azure Machine Learning.
• Modeltraining traceren met MLflow in taken.
• Een MLflow-model registreren in Azure Machine Learning.
• Een model inzetten op een beheerd online-eindpunt.

Voorkennis DP-3007

Je hebt geen specifieke voorkennis nodig om deel te mogen nemen aan deze training.

Onderwerpen DP-3007

DP-3007 | Module 1: Gegevens beschikbaar maken binnen Azure Machine Learning

• Toegang tot gegevens verkrijgen met behulp van Uniform Resource Identifiers (URI's).
• Verbinding maken met cloudgegevensbronnen via datastores.
• Een gegevensbezit (data asset) gebruiken om specifieke bestanden of mappen te benaderen.

Labopdracht met begeleiding: Gegevens beschikbaar maken in Azure Machine Learning

DP-3007 | Module 2: Werken met compute-doelen in Azure Machine Learning

• Het juiste compute-doel kiezen.
• Werken met compute-instanties en clusters.
• Geïnstalleerde pakketten beheren met omgevingen.

Labopdracht met begeleiding: Werken met compute-bronnen

DP-3007 | Module 3: Werken met omgevingen in Azure Machine Learning

• Omgevingen in Azure Machine Learning begrijpen.
• Georganiseerde omgevingen verkennen en gebruiken.
• Aangepaste omgevingen creëren en gebruiken.

Labopdracht met begeleiding: Werken met omgevingen

DP-3007 | Module 4: Een trainingsscript uitvoeren als een opdracht in Azure Machine Learning

• Een notebook converteren naar een script.
• Scripts testen in een terminal.
• Een script uitvoeren als een opdracht.
• Parameters gebruiken in een opdracht.

Labopdracht met begeleiding: Een trainingsscript uitvoeren als een opdracht

DP-3007 | Module 5: Modeltraining volgen met MLflow in opdrachten

• MLflow gebruiken wanneer je een script als opdracht uitvoert.
• Statistieken, parameters, artefacten en modellen van een run bekijken.

Labopdracht met begeleiding: Gebruik MLflow om trainingsopdrachten te volgen

DP-3007 | Module 6: Een MLflow-model registreren in Azure Machine Learning

• Modellen loggen met MLflow.
• Het MLmodel-formaat begrijpen.
• Een MLflow-model registreren in Azure Machine Learning.

Labopdracht met begeleiding: Modellen loggen en registreren met MLflow

DP-3007 | Module 7: Een model implementeren naar een beheerd online endpoint

• Beheerde online endpoints gebruiken.
• Je MLflow-model implementeren naar een beheerd online endpoint.
• Een aangepast model implementeren naar een beheerd online endpoint.
• Online endpoints testen.

Labopdracht met begeleiding: Een MLflow-model implementeren naar een online endpoint