Создание решений искусственного интеллекта с помощью Машинного обучения Azure

Средний уровень
Специалист по обработке и анализу данных
Машинное обучение
Портал Azure

Машинное обучение Azure — это облачная платформа для обучения, развертывания, мониторинга моделей машинного обучения и управления ими. Узнайте, как использовать пакет SDK для Python для Машинного обучения Azure, чтобы создавать корпоративные решения ИИ.

Предварительные требования

В этой схеме обучения предполагается, что у вас есть опыт обучения моделей машинного обучения с использованием Python и платформ с открытым кодом, таких как Scikit-Learn, PyTorch и Tensorflow. В противном случае сначала следует пройти схему обучения Создание моделей машинного обучения.

Модули, включенные в эту схему обучения

Введение в машинное обучение Azure

Узнайте, как использовать машинное обучение Azure для обучения модели и ее регистрации в рабочей области.

Data is the foundation of machine learning. In this module, you will learn how to work with datastores and datasets in Azure Machine Learning, enabling you to build scalable, cloud-based model training solutions.

One of the key benefits of the cloud is the ability to use scalable, on-demand compute resources for cost-effective processing of large data. In this module, you'll learn how to use cloud compute in Azure Machine Learning to run training experiments at scale.

Orchestrating machine learning training with pipelines is a key element of DevOps for machine learning. In this module, you'll learn how to create, publish, and run pipelines to train models in Azure Machine Learning.

Сведения о регистрации и развертывании моделей ML с помощью службы машинного обучения Azure.

Machine learning models are often used to generate predictions from large numbers of observations in a batch process. To accomplish this, you can use Azure Machine Learning to publish a batch inference pipeline.

Choosing optimal hyperparameter values for model training can be difficult, and usually involved a great deal of trial and error. With Azure Machine Learning, you can leverage cloud-scale experiments to tune hyperparameters.

Узнайте, как использовать автоматизированное машинное обучение в машинном обучении Azure, чтобы найти оптимальную модель для ваших данных.

Data scientists have an ethical (and often legal) responsibility to protect sensitive data. Differential privacy is a leading edge approach that enables useful analysis while protecting individually identifiable data values.

Many decisions made by organizations and automated systems today are based on predictions made by machine learning models. It's increasingly important to be able to understand the factors that influence the predictions models make.

Machine learning models can often encapsulate unintentional bias that results in unfairness. With Fairlearn and Azure Machine Learning, you can detect and mitigate unfairness in your models.

After a machine learning model has been deployed into production, it's important to understand how it is being used by capturing and viewing telemetry.

Changing trends in data over time can reduce the accuracy of the predictions made by a model. Monitoring for this data drift is an important way to ensure your model continues to predict accurately.