Schulungsübersicht
Einführung
Überblick über Azure Machine Learning (AML) Funktionen und Architektur
Überblick über einen End-to-End-Workflow in AML (Azure Machine Learning Pipelines)
Bereitstellung von virtuellen Maschinen in der Cloud
Skalierungsüberlegungen (CPUs, GPUs und FPGAs)
Navigieren in Azure Machine Learning Studio
Daten vorbereiten
Aufbau eines Modells
Trainieren und Testen eines Modells
Registrierung eines trainierten Modells
Aufbau eines Modellbildes
Einsatz eines Modells
Überwachung eines Modells in der Produktion
Fehlersuche
Zusammenfassung und Schlussfolgerung
Voraussetzungen
- Verständnis für Konzepte des maschinellen Lernens.
- Kenntnisse über Cloud-Computing-Konzepte.
- Ein allgemeines Verständnis von Containern (Docker) und Orchestrierung (Kubernetes).
- Python oder R-Programmiererfahrung ist hilfreich.
- Erfahrung im Umgang mit einer Kommandozeile.
Publikum
- Datenwissenschaftler
- DevOps Ingenieure, die an der Bereitstellung von Modellen für maschinelles Lernen interessiert sind
- Infrastrukturingenieure, die an der Bereitstellung von Modellen für maschinelles Lernen interessiert sind
- Softwareingenieure, die die Integration und Bereitstellung von maschinellen Lernfunktionen in ihre Anwendung automatisieren möchten
Erfahrungsberichte (2)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Kurs - Azure Machine Learning (AML)
The Exercises