DP-100 Designing and Implementing a Data Science Solution on Azure

Preis
Netto: €
MwSt.: €

Preis
Preis auf Anfrage

Dauer
4 Tage

Unternehmen und Arbeitsuchende:
dieser Kurs ist zu 100 % förderbar!

Standort

Kurssprache
englisch

Trainingslösung
Online Live

Jetzt Beratung vereinbaren als Favorit speichern Als PDF drucken/speichern

Data Science entfaltet seinen Mehrwert erst dann vollständig, wenn Modelle zuverlässig in reale Systeme integriert werden. Der inhaltliche Rahmen setzt auf praxisorientierte Konzepte zur Umsetzung analytischer Szenarien innerhalb moderner Cloud-Architekturen.

Zentrale Themen

Strukturierte Datenanalyse und Modellierung.
Einsatz von Machine Learning in Azure.
Automatisierung von Trainingsprozessen.
Deployment in produktiven Umgebungen.
Qualitätssicherung und Monitoring.

Voraussetzung
Kenntnisse in Python, Statistik und Datenverarbeitung sowie Basiswissen zu Cloud-Plattformen.

Zielgruppe
Professionals aus Data Science, Analytics, KI-nahen Rollen und Cloud-basierten Entwicklungsbereichen.

Durchdachte Data-Science-Architekturen bilden die Grundlage für belastbare Ergebnisse. Effiziente Abläufe und skalierbare Technologien sorgen dafür, dass datengetriebene Lösungen dauerhaft wirksam bleiben.

Als PDF drucken/speichern

Kursinhalte

Datenaufnahme

Datenquelle und Format identifizieren
Auswahl der Bereitstellungsmethode für maschinelles Lernen
Lösung für Datenübernahme entwerfen

Lösungskonzept

Aufgaben des maschinellen Lernens identifizieren
Dienst zum Trainieren wählen
Berechnungsoptionen entscheiden

Modellbereitstellung

Nutzung des Modells verstehen
Entscheidung für Echtzeit- oder Batch-Bereitstellung

Konzept

MLOps-Architektur erkunden
Überwachungsdesign
Umschulungsdesign

Ressourcen und Assets

Azure ML-Arbeitsbereich erstellen
Azure ML-Ressourcen identifizieren
Azure ML-Assets identifizieren
Modelle trainieren

Entwicklertools

Studio entdecken
Python SDK testen
CLI ausprobieren

Azure Machine Learning-Daten

URIs verstehen
Datenspeicher erstellen
Daten-Asset anlegen

Berechnungsziele

Berechnungsziel wählen
Recheninstanz erstellen und nutzen
Compute-Cluster erstellen und nutzen

Umgebungen

Umgebungen verstehen
Kuratierte Umgebungen nutzen
Eigene Umgebungen erstellen

Bestes Klassifizierungsmodell

Datenaufbereitung und Funktionskonfiguration
Automatisiertes ML-Experiment durchführen
Modelle bewerten und vergleichen

Modelltraining in Jupyter

MLflow für Modellverfolgung in Notizbüchern einrichten
Modelle in Notizbüchern trainieren und überwachen

Training-Skript

Notizbuch in Skript konvertieren
Skript ausführen
Parameter im Befehl nutzen

Modellschulungstracking

Metriken mit MLflow überwachen
Modelle bewerten und anzeigen

Hyperparameter-Optimierung

Suchraum definieren
Stichprobenmethode konfigurieren
Frühzeitige Beendigung einstellen
Sweep-Job für Hyperparameter-Abstimmung nutzen

Pipelines

Komponenten anlegen
Pipeline erstellen
Pipeline-Job ausführen

MLflow-Modell

MLflow Protokollmodelle
MLflow-Modellformat verstehen
Modell in MLflow registrieren

Responsible KI Dashboard

KI-Verantwortung verstehen
Dashboard für KI-Verantwortung erstellen
Dashboard auswerten

Online-Endpunkt

Untersuchen von Online-Endpunkten
Bereitstellung des MLflow-Modells
Modellbereitstellung für Online-Endpunkt
Testen von Online-Endpunkten

Batch-Endpunkt

Batch-Endpunkte verstehen und erstellen
MLflow-Modell an Batch-Endpunkt bereitstellen
Benutzerdefiniertes Modell für Batch-Endpunkt bereitstellen
Batch-Endpunkte aufrufen und Fehler beheben

Hast du weitere Fragen? Bitte kontaktiere uns.

Centerauswahl *

0800 258 258 055

website@newhorizons.de

Vorname *

Nachname *

Telefonnummer *

Postleitzahl *

E-Mail *

Ich möchte meine Weiterbildung fördern lassen - ich bin zurzeit: *

Firmenname

Deine Nachricht

Hiermit bestätige ich, dass ich den Datenschutzhinweis zur Kenntnis genommen habe. *