Designing and Implementing a Data Science Solution on Azure (Deutsch/Deutschland)

Dauer
Ausführung
Vor Ort
Startdatum und Ort
Logo von Trivadis Germany GmbH
Bewertung: starstarstarstarstar 10 Bildungsangebote von Trivadis Germany GmbH haben eine durchschnittliche Bewertung von 10 (aus 1 Bewertung)

Tipp: Haben Sie Fragen? Für weitere Details einfach auf "Kostenlose Informationen" klicken.

Startdaten und Startorte

placeTrivadis Germany GmbH Frankfurt am Main
28. Jun 2021 bis 30. Jun 2021
placeTrivadis Germany GmbH Dusseldorf
18. Okt 2021 bis 20. Okt 2021

Beschreibung

Wir verwandeln Wissen in Können.

Wir bieten Ihnen umfassende IT-Trainings für Anfänger und Profis aus den Bereichen Oracle, Microsoft und Java. Profitieren Sie vom Know-How unserer Referenten: Über 100 Consultants, DBAs, Entwickler und BI-Experten mit langjähriger Erfahrung in ihren Gebieten freuen sich darauf, Ihnen in einem unserer IT-Trainings, Workshops oder Coachings ihr Wissen zu vermitteln.

Melden Sie sich jetzt online an und nehmen Sie an einem unserer 10 Standorte in Deutschland, Österreich und der Schweiz an einem IT-Training teil. Finden Sie hier Ihr Training. Sie sind auf der Suche nach einem maßgeschneiderten Training für Sie oder Ihr Unternehmen? Kein Problem – wir kommen auch gerne zu Ihnen! Kontaktieren Sie uns – wir verhelfen Ihnen zu Ihrem perfekten Training!

Der Azure Data Scientist wendet sein Wissen über Data Science und Machine Learning auf die Implementierung und Ausführung von Workloads für Machine Learning in Microsoft Azure an. insbesondere mithilfe des Azure Machine Learning Service. Dies umfasst das Planen und Erstellen einer geeigneten Arbeitsumgebung für datenwissenschaftliche Workloads in Azure, das Ausführen von Datenexperimenten und das Trainieren von Vorhersagemodellen, das Verwalten und Optimieren von Modellen sowie das Bereitstellen von Modellen für Machine Learning in der Produktion.

Contents

Modul 1: Einführung in Azure Machine Learning
In diesem Modul erfährst du, wie du einen Azure-Workspace für Machine Learning bereitstells…

Gesamte Beschreibung lesen

Frequently asked questions

Es wurden noch keine Besucherfragen gestellt. Wenn Sie weitere Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice.

Noch nicht den perfekten Kurs gefunden? Verwandte Themen: Data Science, Microsoft Azure, Datenbankdesign, Big Data und Data Mining.

Wir verwandeln Wissen in Können.

Wir bieten Ihnen umfassende IT-Trainings für Anfänger und Profis aus den Bereichen Oracle, Microsoft und Java. Profitieren Sie vom Know-How unserer Referenten: Über 100 Consultants, DBAs, Entwickler und BI-Experten mit langjähriger Erfahrung in ihren Gebieten freuen sich darauf, Ihnen in einem unserer IT-Trainings, Workshops oder Coachings ihr Wissen zu vermitteln.

Melden Sie sich jetzt online an und nehmen Sie an einem unserer 10 Standorte in Deutschland, Österreich und der Schweiz an einem IT-Training teil. Finden Sie hier Ihr Training. Sie sind auf der Suche nach einem maßgeschneiderten Training für Sie oder Ihr Unternehmen? Kein Problem – wir kommen auch gerne zu Ihnen! Kontaktieren Sie uns – wir verhelfen Ihnen zu Ihrem perfekten Training!

Der Azure Data Scientist wendet sein Wissen über Data Science und Machine Learning auf die Implementierung und Ausführung von Workloads für Machine Learning in Microsoft Azure an. insbesondere mithilfe des Azure Machine Learning Service. Dies umfasst das Planen und Erstellen einer geeigneten Arbeitsumgebung für datenwissenschaftliche Workloads in Azure, das Ausführen von Datenexperimenten und das Trainieren von Vorhersagemodellen, das Verwalten und Optimieren von Modellen sowie das Bereitstellen von Modellen für Machine Learning in der Produktion.

Contents

Modul 1: Einführung in Azure Machine Learning
In diesem Modul erfährst du, wie du einen Azure-Workspace für Machine Learning bereitstellst und ihn zum Verwalten von Ressourcen für Machine Learning wie Daten, Berechnungen, Modellschulungscode, protokollierte Metriken und trainierte Modelle verwendest. Du erfährst, wie du die webbasierte Azure Machine Learning Studio-Oberfläche sowie das Azure Machine Learning SDK und Entwicklertools wie Visual Studio Code und Jupyter Notebooks verwendest, um mit den Assets in deinem Arbeitsbereich zu arbeiten.

  • Erste Schritte mit Azure Machine Learning
  • Azure-Tools für Machine Learning


Modul 2: Machine Learning ohne Code mit dem Designer
In diesem Modul wird das Designer-Tool vorgestellt, eine Drag & Drop-Oberfläche zum Erstellen von Modellen für Machine Learning, ohne Code zu schreiben. Du lernst, wie du eine Trainingspipeline erstellst, die die Datenvorbereitung und das Modelltraining umfasst, und diese Trainingspipeline dann in eine Inferenzpipeline konvertierst, mit der Werte aus neuen Daten vorhergesagt werden können, bevor du die Inferenzpipeline schließlich als Service für Clientanwendungen bereitstellst.

  • Trainingsmodelle mit Designer
  • Modelle mit Designer veröffentlichen


Modul 3: Experimente und Trainingsmodelle ausführen
In diesem Modul beginnst du mit Experimenten, die Datenverarbeitung und Modellschulungscode kapseln und zum Trainieren von Modellen für Machine Learning verwendest.

  • Einführung in Experimente
  • Schulungs- und Registrierungsmodelle


Modul 4: Arbeiten mit Daten
Daten sind ein grundlegendes Element in jedem Workload für Machine Learning. In diesem Modul erfährst du, wie du Datenspeicher und Datasets in einem Azure Machine Workspace erstellst und verwaltest und diese in Modellschulungsexperimenten verwendest.

  • Arbeiten mit Datenspeichern
  • Arbeiten mit Datensätzen


Modul 5: Compute Kontexte berechnen
Einer der Hauptvorteile der Cloud ist die Möglichkeit, Rechenressourcen bei Bedarf zu nutzen und damit maschinelle Lernprozesse in einem Ausmaß zu skalieren, das auf deiner eigenen Hardware nicht möglich wäre. In diesem Modul erfährst du, wie du Experimentierumgebungen verwaltest, die eine konsistente Laufzeitkonsistenz für Experimente sicherstellen, und wie du Rechenziele für Experimentierläufe erstellst und verwendest.

  • Arbeiten mit Umgebungen
  • Arbeiten mit Rechenzielen


Modul 6: Orchestrieren von Vorgängen mit Pipelines
Nachdem du die Grundlagen der Ausführung von Workloads als Experimente verstanden hast, bei denen Datenbestände genutzt und Ressourcen berechnet werden, ist es an der Zeit, zu lernen, wie du diese Workloads als Pipelines verbundene Schritte orchestrierst. Pipelines sind der Schlüssel zur Implementierung einer effektiven ML Ops-Lösung (Machine Learning Operationalization) in Azure. Daher erfährst du, wie du sie in diesem Modul definierst und ausführst.

  • Einführung in Pipelines
  • Veröffentlichen und Ausführen von Pipelines


Modul 7: Bereitstellen und Konsumieren von Modellen
Modelle sollen die Entscheidungsfindung durch Vorhersagen unterstützen. Sie sind daher nur dann nützlich, wenn sie bereitgestellt werden und für eine Anwendung verfügbar sind. In diesem Modul erfährst du, wie du Modelle für Echtzeit-Inferenzen und für Batch-Inferenzen bereitstellst.

  • Echtzeit-Inferenz
  • Batch-Inferenz


Modul 8: Optimale Modelle trainieren
In dieser Phase des Kurses hast du den End-to-End-Prozess zum Trainieren, Bereitstellen und Konsumieren von Modellen für Machine Learning gelernt. Aber wie stellst du sicher, dass dein Modell die beste Vorhersage für deine Daten liefert? In diesem Modul erfährst du, wie du mithilfe von Hyperparameter-Tuning und automatisiertem Machine Learning die Vorteile von Cloud-Scale-Computing nutzt und das beste Modell für deine Daten finden kannst.

  • Hyperparameter-Tuning
  • Automatisiertes Machine Learning


Modul 9: Modelle interpretieren
Viele der Entscheidungen, die heute von Organisationen und automatisierten Systemen getroffen werden, basieren auf Vorhersagen, die von Machine Learning Modellen getroffen wurden. Es wird immer wichtiger, die Faktoren zu verstehen, die die Vorhersagen eines Modells beeinflussen, um unbeabsichtigte Verzerrungen im Verhalten des Modells feststellen zu können. In diesem Modul wird beschrieben, wie du Modelle interpretieren kannst, um zu erklären, wie die Wichtigkeit von Features ihre Vorhersagen bestimmt.

  • Einführung in die Modellinterpretation
  • Verwenden von Modellerklärern


Modul 10: Modelle überwachen
Nach der Bereitstellung eines Modells ist es wichtig zu verstehen, wie das Modell in der Produktion verwendet wird, und eine Verschlechterung seiner Wirksamkeit aufgrund von Datendrift festzustellen. Dieses Modul beschreibt Techniken zur Überwachung von Modellen und deren Daten.

  • Modelle mit Application Insights überwachen
  • Überwachen der Datendrift

Requirements







Dieser Kurs richtet sich an Datenwissenschaftler mit vorhandenen Kenntnissen in Python und Frameworks für Machine Learning wie Scikit-Learn, PyTorch und Tensorflow, die Lösungen für Machine Learning in der Cloud erstellen und betreiben möchten.

Werden Sie über neue Bewertungen benachrichtigt

Es wurden noch keine Bewertungen geschrieben.

Schreiben Sie eine Bewertung

Haben Sie Erfahrung mit diesem Kurs? Schreiben Sie jetzt eine Bewertung und helfen Sie Anderen dabei die richtige Weiterbildung zu wählen. Als Dankeschön spenden wir € 1,00 an Stiftung Edukans.

Es wurden noch keine Besucherfragen gestellt. Wenn Sie weitere Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice.

Bitte füllen Sie das Formular so vollständig wie möglich aus.

Anrede
(optional)
(optional)
(optional)
(optional)
(optional)
(optional)
(optional)
(optional)
Damit Ihnen per E-Mail oder Telefon weitergeholfen werden kann, speichern wir Ihre Daten und teilen sie ggf. mit Trivadis Germany GmbH. Mehr Informationen dazu finden Sie in unseren Datenschutzbestimmungen.