AI-oplossingen bouwen met Azure Machine Learning

Gevorderd
Data Scientist
Student
Azure
Machine Learning
Azure Portal

Azure Machine Learning is een cloudplatform voor het trainen, implementeren, beheren en bewaken van Machine Learning-modellen. Ontdek hoe u de Python-SDK voor Azure Machine Learning kunt gebruiken om bedrijfsklare AI-oplossingen te maken.

Vereisten

In dit leertraject wordt ervan uitgegaan dat u ervaring hebt met het trainen van Machine Learning-modellen met Python en opensource-frameworks zoals Scikit-Learn, PyTorch en Tensorflow. Is dat niet het geval, doorloop dan eerst het leertraject Machine Learning-modellen maken voordat u met dit leertraject begint.

Modules in dit leertraject

Inleiding tot Azure Machine Learning

Meer informatie over het gebruik van Azure Machine Learning om een model te trainen en te registreren in een werkruimte.

Gegevens vormen de basis van machine learning. In deze module leert u hoe u met data stores en gegevens sets in Azure Machine Learning kunt werken, zodat u schaal bare, cloud-gebaseerde trainings oplossingen voor modellen kunt bouwen.

Een van de belangrijkste voor delen van de Cloud is de mogelijkheid om schaal bare, on-demand reken bronnen te gebruiken voor rendabele verwerking van grote hoeveel heden gegevens. In deze module leert u hoe u Cloud Compute in Azure Machine Learning kunt gebruiken om trainings experimenten op schaal uit te voeren.

Het organiseren van machine learning training met pijp lijnen is een belang rijk element van DevOps voor machine learning. In deze module leert u hoe u pijp lijnen kunt maken, publiceren en uitvoeren om modellen in Azure Machine Learning te trainen.

Meer informatie over het registreren en implementeren van ML-modellen met Azure Machine Learning Service.

Machine learning-modellen worden vaak gebruikt om voor spellingen te genereren op basis van een groot aantal waarnemingen in een batch-proces. Als u dit wilt doen, kunt u Azure Machine Learning gebruiken om een batch-verwerkings pijplijn te publiceren.

Het kiezen van optimale afstemming-waarden voor model training kan lastig zijn en is doorgaans een uitstekende proef versie en fout. Met Azure Machine Learning kunt u gebruikmaken van Cloud schaal experimenten voor het afstemmen van Hyper parameters.

Meer informatie over het gebruik van geautomatiseerde machine learning in Azure Machine Learning om het beste model voor uw gegevens te vinden.

Gegevens wetenschappers hebben een ethische (en vaak juridisch) verantwoordelijkheid om gevoelige gegevens te beveiligen. Differentiƫle privacy is een toonaangevende benadering die een nuttige analyse mogelijk maakt en de afzonderlijke Identificeer bare gegevens waarden beveiligt.

Veel beslissingen die zijn gemaakt door organisaties en geautomatiseerde systemen, zijn gebaseerd op voor spellingen die zijn gemaakt door machine learning modellen. Het is steeds belang rijker om inzicht te krijgen in de factoren die van invloed zijn op de Voorspellings modellen.

Machine learning-modellen kunnen vaak onbedoelde bias inkapselen die leiden tot een onbillijkheid. Met Fairlearn en Azure Machine Learning kunt u oneerlijkheid in uw modellen detecteren en beperken.

Nadat een machine learning model in productie is geĆÆmplementeerd, is het belang rijk om te begrijpen hoe het wordt gebruikt door de telemetrie te vastleggen en weer te geven.

Het wijzigen van trends in gegevens in de loop van de tijd kan de nauw keurigheid van de voor spellingen van een model verminderen. Bewaking voor deze gegevens drift is een belang rijke manier om ervoor te zorgen dat uw model nauw keurig wordt voor speld.