آمادگی آزمون گواهینامه Microsoft Azure Data Scientist Associate (DP-100)

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

در این دوره جامع، Noah Gift، متخصص MLOps، به شما کمک می‌کند تا برای آزمون گواهینامه Microsoft Azure Data Scientist Associate (DP-100) آماده شوید. یاد بگیرید چگونه همزمان با ایجاد یک فضای کاری یادگیری ماشین آژور، یک راهکار یادگیری ماشین را طراحی و آماده کنید.

داده‌ها را بررسی کنید و با توسعه کد از طریق یک نمونه رایانش، آموزش یک مدل با Python SDK و موارد دیگر، آزمایش‌ها را اجرا کنید. فرآیند کامل آموزش و استقرار مدل‌ها را گام به گام طی کنید. علاوه بر این، با تکنیک‌هایی که می‌توانید برای بهینه‌سازی مدل‌های زبانی برای اپلیکیشن های هوش مصنوعی استفاده کنید، آشنا شوید.

آمادگی آزمون گواهینامه Microsoft Azure Data Scientist Associate (DP-100)

فصل 1: مقدمه

بررسی 0:02:51
فناوری‌های پیش‌نیاز 0:01:14

فصل 2: حوزه 1: طراحی و آماده‌سازی یک راهکار یادگیری ماشین

تعیین مشخصات رایانش مناسب برای یک بار کاری آموزشی 0:01:35
ایجاد یک فضای کاری یادگیری ماشین آژور 0:01:29
مدیریت فضای کاری با استفاده از ابزارهای توسعه‌دهنده برای تعامل با آن 0:02:25
ایجاد و مدیریت دارایی‌های داده 0:03:20
ایجاد اهداف رایانش برای آزمایش‌ها و آموزش 0:03:35
نظارت بر میزان استفاده از منابع رایانش 0:02:57

فصل 3: حوزه 2: بررسی داده‌ها و آموزش مدل‌ها

بارگذاری و تبدیل داده‌ها 0:01:12
تحلیل داده‌ها با استفاده از Azure Data Explorer 0:01:14
دمو: Azure Data Explorer 0:04:04
consume کردن دارایی های داده از Designer 0:03:05
استفاده از یادگیری ماشین خودکار برای داده‌های جدولی 0:06:42
توسعه کد با استفاده از یک نمونه رایانشی 0:01:43
consume کردن داده در یک نوت بوک 0:04:17
آموزش یک مدل با استفاده از Python SDK 0:06:18
تکنیک های مقابله با بهینه سازی هایپرپارامتر 0:03:06

فصل 4: حوزه 3: آماده‌سازی یک مدل برای استقرار

پیکربندی منابع رایانش برای اجرای یک Job 0:02:48
Consume کردن داده‌های یک دارایی داده در یک Job 0:11:48
اجرای یک اسکریپت به عنوان Job با استفاده از Azure Machine Learning 0:01:44
استفاده از MLflow برای لاگ کردن متریک‌های حاصل از اجرای Job 0:03:24
تشریح خروجی مدل MLflow 0:02:01
شناسایی یک فریم‌ورک مناسب برای پکیج کردن مدل 0:05:26
تشریح گردش کار مدل MLflow در Databricks 0:05:42

فصل 5: حوزه 4: استقرار و بازآموزی یک مدل

پیکربندی رایانش برای استقرار دسته ای 0:02:11
استقرار یک مدل در یک اندپوینت دسته ای 0:04:02
تست یک سرویس مستقر شده در بلادرنگ 0:04:23
اعمال شیوه‌های عملیاتی یادگیری ماشین 0:04:32
فعال‌سازی یک پایپ‌لاین Azure Machine Learning، از جمله از طریق Azure DevOps یا GitHub 0:02:36
نتیجه‌گیری 0:01:06