Descripción
Este curso le enseña a operar soluciones de aprendizaje automático a escala de la nube con Azure Machine Learning.
Aprenda 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.
Dirigido a:
Este curso se orienta a científicos de datos que ya cuentan con conocimientos en Python y están familiarizados con marcos de aprendizaje automático como Scikit-Learn, PyTorch y TensorFlow.
Tambien está diseñado para aquellos que desean desarrollar y gestionar soluciones de aprendizaje automático en entornos en la nube.
Requisitos previos:
Para desempeñar con éxito el papel de científico de datos de Azure, es fundamental contar con una comprensión básica de los conceptos de informática en la nube y experiencia en técnicas y herramientas generales de ciencia de datos y aprendizaje automático.
Antes de asistir a este curso, los estudiantes deben tener:
- La creación de recursos en la nube en Microsoft Azure.
- El uso de Python para la exploración y visualización de datos.
- El entrenamiento y validación de modelos de aprendizaje automático utilizando marcos comunes como Scikit-Learn, PyTorch y TensorFlow.
- El trabajo con contenedores.
Al finalizar este curso, el alumno será capaz de:
- Evaluar si Azure Cosmos DB SQL API es la base de datos adecuada para su aplicación.
- Describir cómo las características de Azure Cosmos DB SQL API son apropiadas para aplicaciones modernas.
- Crear una nueva cuenta de Azure Cosmos DB SQL API.
- Crear recursos de base de datos, contenedores y elementos para una cuenta de Azure Cosmos DB SQL API.
- Conectar y realizar operaciones en Azure Cosmos DB SQL API utilizando el SDK.
- Realizar operaciones CRUD con el SDK y configurar TTL para un documento específico.
- Implementar control de concurrencia optimista y realizar operaciones transaccionales con el SDK.
- Crear consultas SQL eficientes y utilizar funciones integradas en una consulta.
- Personalizar la política de indexación para un contenedor.
- Integrar Azure Cosmos DB SQL API con otros servicios de Azure, como Azure Functions y Azure Cognitive Search.
- Configurar la replicación y administrar la coherencia en Azure Cosmos DB SQL API.
- Optimizar el rendimiento de las consultas y trabajar con la caché integrada.
- Realizar tareas de administración y supervisión, como la monitorización de rendimiento y la implementación de medidas de seguridad.
- Gestionar una solución de Azure Cosmos DB SQL API utilizando prácticas de DevOps.
- Crear construcciones de programación en el lado del servidor en Azure Cosmos DB SQL API, como procedimientos almacenados, desencadenadores y funciones definidas por el usuario.
Temario:
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, los estudiantes podrán:
- 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, los estudiantes podrán:
- 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, los estudiantes podrán:
- 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
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, los estudiantes podrán:
- Crear y consumir almacenes de datos
- Crear y consumir conjuntos de datos
Módulo 5: Calcular contextos
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, los estudiantes podrán:
- Crear y usar entornos
- Crear y usar destinos de procesos
Módulo 6: Orquestación de operaciones con canalizaciones
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, los estudiantes podrán:
- Crear canalizaciones para automatizar los flujos de trabajo de aprendizaje automático
- Publicar y ejecutar servicios de canalización
Módulo 7: Implementación y consumo de modelos
En este módulo, aprenderá 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, los estudiantes podrán:
- 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 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, los estudiantes podrán:
- Optimizar los hiperparámetros para el entrenamiento modelo
- Utilizar el aprendizaje automático para encontrar el modelo óptimo para sus datos.
Módulo 9: Interpretar modelos
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, los estudiantes podrán:
- Generar explicaciones de modelos con aprendizaje automático
- Usar explicadores para interpretar modelos de aprendizaje automático
Módulo 10: Modelos de supervisión
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, los estudiantes podrán:
- Usar Application Insights para supervisar un modelo publicado
- Supervisar deriva de datos
Este curso incluye:
- Material del curso adjunto
- Manual del curso
- Laboratorios virtuales
- Certificado de finalización
Aptitudes evaluadas: Examen DP-100
Importante: La versión en inglés de este examen se actualizó el 18 de octubre de 2023.
- Diseño y preparación de una solución de aprendizaje automático (20-25%)
- Exploración de datos y entrenamiento de modelos (35-40%)
- Preparación de un modelo para la implementación (20-25%)
- Implementar y volver a entrenar un modelo (10-15%)
Perfil de instructores
Bonificación Fundae
Mapa de cursos
Descargate el mapa de certificación actualizado aquí
Certificaciones oficiales Pearson VUE
Somos centro examinador de certificaciones oficiales Pearson VUE.
¿Cómo me puede ayudar una certificación Microsoft en mi crecimiento personal y laboral?
Las Certificaciones de Microsoft dan una ventaja profesional al proporcionar evidencia reconocida globalmente y cuales habilidades de dominio en negocios digitales y en cloud son respaldadas Industrialmente.
Al obtener una certificación, el 67% de los profesionales técnicos dicen que tenían mayor auto confianza en sus habilidades para realizar sus trabajos, el 41% reportó mayor satisfacción laboral, y el 35% vio un aumento de salario o sueldo.
2018 Pearson VUE Valor de la Certificación IT.
¿Tienes más preguntas?
Ponte en contacto con nuestro equipo y recibe información detallada.
+34 963 694 964
info@nextraining.es