Curso DP-100T01-A: Designing and Implementing a Data Science Solution on Azure

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 preparación de datos, la capacitación e implementación de modelos, y la supervisión de soluciones de aprendizaje automático en Microsoft Azure.

Perfil de audiencia

Este curso está diseñado para científicos de datos con conocimiento existente de Python y marcos de aprendizaje automático como Scikit-Learn, PyTorch y Tensorflow, que desean construir y operar soluciones de aprendizaje automático en la nube.

Rol de trabajo: Científico de datos

Requisitos previos

Los exitosos científicos de Azure Data comienzan este rol con un conocimiento fundamental de los conceptos de computación en nube, y experiencia en ciencia de datos generales y herramientas y técnicas de aprendizaje de máquinas.

Específicamente:

  • Crear recursos de nube en Microsoft Azure.
  • Usando Python para explorar y visualizar datos.
  • Entrenamiento y validación de modelos de aprendizaje automático usando marcos comunes como Scikit-Learn, PyTorch y TensorFlow.

Para obtener estos conocimientos previos, tome el siguiente entrenamiento online gratuito antes de asistir al curso:

Si es completamente nuevo en la ciencia de los datos y el aprendizaje automático, por favor complete primero Microsoft Azure AI Fundamentals .

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, cómputo, código de capacitación de modelos, métricas registradas y modelos capacitados. 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.

Lecciones

  • Introducción a Azure Machine Learning
  • Herramientas de Azure Machine Learning

Laboratorio: Crear un espacio de trabajo de Azure Machine Learning

Laboratorio: Trabajar con herramientas de Azure Machine Learning

Después de completar este módulo, podrá:

  • Aprovisionar un espacio de trabajo de Azure Machine Learning
  • Usar herramientas y código para trabajar con Azure Machine Learning

Módulo 2: Herramientas Visuales para el Aprendizaje Automático

Este módulo presenta la herramienta Designer, una interfaz de arrastrar y soltar para crear modelos de aprendizaje automático sin escribir ningún código. Aprenderá a crear una canalización de capacitación que encapsule la preparación de datos y la canalización modelo, y luego convertirá esa canalización de capacitación en una canalización de inferencia que pueda usarse para predecir valores a partir de datos nuevos, antes de finalmente implementar la canalización de inferencia como un servicio para aplicaciones de consumo de clientes.

Lecciones

  • Modelos de capacitación con Designer
  • Publicación de modelos con Designer

Laboratorio: Crear una canalización de entrenamiento con Azure ML Designer

Laboratorio: Implementación de un servicio con Azure ML Designer

Después de completar este módulo, podrá:

  • Usar el diseñador para entrenar un modelo de aprendizaje automático
  • Implementar una canalización de Designer como servicio

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 del modelo, y los usará para entrenar modelos de aprendizaje automático.

Lecciones

  • Introducción a los experimentos
  • Formación y registro de modelos

Laboratorio: Ejecución de experimentos

Laboratorio: Modelos de entrenamiento y registro

Después de completar este módulo, podrá:

  • Ejecutar experimentos basados en código en un espacio de trabajo de Azure Machine Learning
  • Capacitar y registrar modelos de aprendizaje automático

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 cómo crear y administrar almacenes de datos y conjuntos de datos en un espacio de trabajo de Azure Machine Learning, y cómo usarlos en experimentos de capacitación modelo.

Lecciones

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

Laboratorio: Trabajar con almacenes de datos

Laboratorio: Trabajar con conjuntos de datos

Después de completar este módulo, podrá:

  • Crear y consumir almacenes de datos
  • Crear y consumir conjuntos de datos

Módulo 5: Calcular contextos

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 cómo administrar entornos de experimentos que aseguran una coherencia de tiempo de ejecución constante para los experimentos, y cómo crear y usar objetivos de cómputo para las ejecuciones de experimentos.

Lecciones

  • Trabajar con entornos
  • Trabajar con objetivos informáticos

Laboratorio: Trabajar con entornos

Laboratorio: Trabajar con destinos de procesos

Después de completar este módulo, podrá:

  • Crear y usar entornos
  • Crear y usar destinos de procesos

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 efectiva de Operationalization de Machine Learning (ML Ops) en Azure, por lo que explorará cómo definirlas y ejecutarlas en este módulo.

Lecciones

  • Introducción de canalizaciones
  • Publicación y ejecución de canalizaciones

Laboratorio: Crear una canalización

Laboratorio: Publicar una canalización

Después de completar este módulo, podrá:

  • Crear canalizaciones para automatizar los flujos de trabajo de aprendizaje automático
  • Publicar y ejecutar servicios de canalización

Módulo 7: Implementación y consumo de modelos

Los modelos están diseñados para ayudar a la toma de decisiones mediante 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 la inferencia en tiempo real y para la inferencia por lotes.

Lecciones

  • Inferencia en tiempo real
  • Inferencia por lotes

Laboratorio: Crear un servicio de conferencias en tiempo real

Laboratorio: Crear un servicio de referencia por lotes

Después de completar este módulo, podrá:

  • Publicar un modelo como un servicio de inferencia en tiempo real
  • Publicar un modelo como un servicio de inferencia por lotes

Módulo 8: Entrenamiento de modelos óptimos

En esta etapa del curso, ha aprendido el proceso de principio a fin 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 utilizar el ajuste de hiperparámetros y el aprendizaje automático automatizado para aprovechar el proceso a escala de la nube y encontrar el mejor modelo para sus datos.

Lecciones

  • Ajuste de hiperparámetro
  • Aprendizaje automático automatizado

Laboratorio: Hiperparámetros de ajuste

Laboratorio: Usar el aprendizaje automático

Después de completar este módulo, podrá:

  • Optimizar los hiperparámetros para el entrenamiento modelo
  • Utilizar el aprendizaje automático para encontrar el modelo óptimo para sus datos.

Módulo 9: Interpretar modelos

Muchas de las decisiones tomadas por organizaciones y sistemas automatizados hoy en día se basan en predicciones hechas por modelos de aprendizaje automático. Es cada vez más importante poder comprender los factores que influyen en las predicciones hechas por un modelo, y poder determinar cualquier sesgo involuntario en el comportamiento del modelo. Este módulo describe cómo puede interpretar modelos para explicar cómo la importancia de la característica determina sus predicciones.

Lecciones

  • Introducción a la interpretación del modelo
  • usando explicaciones del modelo

Laboratorio: Revisión de explicaciones automatizadas de aprendizaje automático

Laboratorio: Interpretar modelos

Después de completar este módulo, podrá:

  • Generar explicaciones de modelos con aprendizaje automático
  • Usar explicadores para interpretar modelos de aprendizaje automático

Módulo 10: Modelos de supervisión

Después de implementar un modelo, es importante comprender cómo se está utilizando el modelo en la producción y detectar cualquier degradación en su efectividad debido a la deriva de datos. Este módulo describe técnicas para monitorear modelos y sus datos.

Lecciones

  • Modelos de supervisión con Application Insights
  • Supervisión de deriva de datos

Laboratorio: Supervisión de un modelo con Application Insights

Laboratorio: Supervisión de de deriva de datos

Después de completar este módulo, podrá:

  • Usar Application Insights para supervisar un modelo publicado
  • Supervisar deriva de datos