DP-100: Designing and Implementing a Data Science Solution on Azure
Solicitar Info
Acerca de este curso
Los científicos de datos de Azure aplican sus conocimientos de ciencia de datos y aprendizaje para implementar y ejecutar cargas de trabajo de aprendizaje automático en Azure; en particular, con Azure Machine Learning Service.
En el presente curso aprenderá a operar soluciones de aprendizaje automático a escala de la nube con Azure Machine Learning. Además, se le enseña 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.
Valor añadido de PUE
Con el objetivo de facilitar a nuestros alumnos los conocimientos previos recomendados por Microsoft para un correcto aprovechamiento de la presente formación se incluye, de manera totalmente gratuita en el coste del curso, el acceso al siguiente contenido oficial:
- Curso DP-900: Microsoft Azure Data Fundamentals en formato vídeo o Live Virtual Class (LVC).
Además, si eres miembro del programa PUE Alumni, también tienes incluido de manera totalmente gratuita en el coste del curso, el acceso a:
- Practice Test de preparación del examen DP-900: Microsoft Azure Data Fundamentals.
- Examen DP-900: Microsoft Azure Data Fundamentals, en modalidad Online Proctored.
PUE es Learning Partner de Microsoft autorizado por dicha multinacional para impartir formación oficial en sus tecnologías
A quién va dirigido
Este curso está dirigido a científicos de datos con conocimiento existente de Python y marcos de aprendizaje automático como Scikit-Learn, PyTorch y Tensorflow, que desean construir y operar soluciones de aprendizaje automático en la nube.
Prerrequisitos
Para un mayor aprovechamiento del curso, es recomendable que el alumno tenga los siguientes conocimientos:
- Conocimientos básicos de Azure equivalentes a haber realizado el curso Microsoft Azure Fundamentals.
- Experiencia de escribir código en Python para trabajar con datos, utilizando bibliotecas como Numpy, Pandas y Matplotlib.
- Comprensión de la ciencia de datos, incluyendo cómo preparar datos y entrenar modelos de aprendizaje automático utilizando bibliotecas comunes de aprendizaje automático como Scikit-Learn, PyTorch o Tensorflow.
Objetivos del curso
Una vez finalizado el curso el alumno habrá adquirido los siguientes conocimientos y habilidades:
- Configurar un espacio de trabajo de Azure Machine Learning
- Ejecutar experimentos y entrenar modelos
- Optimizar y administrar modelos
- Implementar y consumir
Certificación incluida
Este curso oficial es el recomendado por Microsoft para la preparación del siguiente examen de certificación oficial valorado en 245,63€ (IVA incl.), cuyo coste (una convocatoria) está incluido en el precio del curso para todos los miembros del programa PUE Alumni:
La superación de este examen es requisito imprescindible para obtener la certificación Microsoft Certified: Azure Data Scientist Associate.
PUE es centro certificador oficial Pearson VUE facilitando la gestión del examen al candidato. El alumno podrá realizar su certificación, bien en nuestras instalaciones o, si lo prefiere, a través de la opción Online Proctored, que permite atender la certificación oficial de Microsoft desde cualquier ubicación con una simple conexión a internet.
Accede a una demostración de un examen oficial de Microsoft aquí.
Contenidos
Módulo 1: Introducción a Azure Machine Learning
- 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
Módulo 2: Aprendizaje automático sin código con Designer
- Modelos de capacitación con Designer
- Publicación de modelos con Designer
Laboratorio: Crear una canalización (pipeline) de entrenamiento con Azure ML Designer
Laboratorio: Implementación de un servicio con Azure ML Designer
Módulo 3: Ejecución de experimentos y modelos de entrenamiento
- Introducción a los experimentos
- Formación y registro de modelos
Laboratorio: Ejecución de experimentos
Laboratorio: Modelos de entrenamiento y registro
Módulo 4: Trabajar con datos
- Trabajar con almacenes de datos
- Trabajar con conjuntos de datos
Laboratorio: Trabajar con almacenes de datos
Laboratorio: Trabajar con conjuntos de datos
Módulo 5: Calcular contextos
- Trabajar con entornos
- Trabajar con objetivos de cómputo
Laboratorio: Trabajar con entornos
Laboratorio: Trabajar con objetivos de cómputo
Módulo 6: Orquestación de operaciones con canalizaciones
- Introducción de canalizaciones
- Publicación y ejecución de canalizaciones
Laboratorio: Crear una canalización
Laboratorio: Publicar una canalización
Módulo 7: Implementación y consumo de modelos
- Inferencia en tiempo real
- Inferencia por lotes
Laboratorio: Crear un servicio de inferencia en tiempo real
Laboratorio: Crear un servicio de inferencia por lotes
Módulo 8: Entrenamiento de modelos óptimos
- Ajuste de hiperparámetro
- Machine Learning automatizado
Laboratorio: Hiperparámetros de ajuste
Laboratorio: Usar el machine learning automatizado
Módulo 9: Interpretar modelos
- Introducción a la interpretación del modelo
- Usando explicaciones del modelo
Laboratorio: Revisión de explicaciones automatizadas de machine learning
Laboratorio: Interpretar modelos
Módulo 10: Modelos de supervisión
- Modelos de monitorización con Application Insights
- Monitorización de deriva de datos
Laboratorio: Monitorización de un modelo con Application Insights
Laboratorio: Monitorización de deriva de datos
