CORSO MOC DP-100:
Designing and Implementing a Data Science Solution on Azure
DURATA: 4 GIORNI
Programma del corso MOC DP-100
Module 1: Introduction to Azure Machine Learning
In this module, you will learn how to provision an Azure Machine Learning workspace and use it to manage machine learning assets such as data, compute, model training code, logged metrics, and trained models. You will learn how to use the web-based Azure Machine Learning studio interface as well as the Azure Machine Learning SDK and developer tools like Visual Studio Code and Jupyter Notebooks to work with the assets in your workspace.
Lessons
- Getting Started with Azure Machine Learning
- Azure Machine Learning Tools
Lab: Creating an Azure Machine Learning Workspace
Lab: Working with Azure Machine Learning ToolsAfter completing this module, you will be able to
- Provision an Azure Machine Learning workspace
- Use tools and code to work with Azure Machine Learning
Module 2: No-Code Machine Learning with Designer
This module introduces the Designer tool, a drag and drop interface for creating machine learning models without writing any code. You will learn how to create a training pipeline that encapsulates data preparation and model training, and then convert that training pipeline to an inference pipeline that can be used to predict values from new data, before finally deploying the inference pipeline as a service for client applications to consume.
Lessons
- Training Models with Designer
- Publishing Models with Designer
Lab: Creating a Training Pipeline with the Azure ML Designer
Lab: Deploying a Service with the Azure ML DesignerAfter completing this module, you will be able to
- Use designer to train a machine learning model
- Deploy a Designer pipeline as a service
Module 3: Running Experiments and Training Models
In this module, you will get started with experiments that encapsulate data processing and model training code, and use them to train machine learning models.
Lessons
- Introduction to Experiments
- Training and Registering Models
Lab: Running Experiments
Lab: Training and Registering ModelsAfter completing this module, you will be able to
- Run code-based experiments in an Azure Machine Learning workspace
- Train and register machine learning models
Module 4: Working with Data
Data is a fundamental element in any machine learning workload, so in this module, you will learn how to create and manage datastores and datasets in an Azure Machine Learning workspace, and how to use them in model training experiments.
Lessons
- Working with Datastores
- Working with Datasets
Lab: Working with Datastores
Lab: Working with DatasetsAfter completing this module, you will be able to
- Create and consume datastores
- Create and consume datasets
Module 5: Compute Contexts
One of the key benefits of the cloud is the ability to leverage compute resources on demand, and use them to scale machine learning processes to an extent that would be infeasible on your own hardware. In this module, you’ll learn how to manage experiment environments that ensure consistent runtime consistency for experiments, and how to create and use compute targets for experiment runs.
Lessons
- Working with Environments
- Working with Compute Targets
Lab: Working with EnvironmentsLab : Working with Compute Targets
After completing this module, you will be able to
- Create and use environments
- Create and use compute targets
Module 6: Orchestrating Operations with Pipelines
Now that you understand the basics of running workloads as experiments that leverage data assets and compute resources, it’s time to learn how to orchestrate these workloads as pipelines of connected steps. Pipelines are key to implementing an effective Machine Learning Operationalization (ML Ops) solution in Azure, so you’ll explore how to define and run them in this module.
Lessons
- Introduction to Pipelines
- Publishing and Running Pipelines
Lab: Creating a Pipeline
Lab: Publishing a Pipeline
After completing this module, you will be able to
- Create pipelines to automate machine learning workflows
- Publish and run pipeline services
Module 7: Deploying and Consuming Models
Models are designed to help decision making through predictions, so they’re only useful when deployed and available for an application to consume. In this module learn how to deploy models for real-time inferencing, and for batch inferencing.
Lessons
- Real-time Inferencing
- Batch Inferencing
Lab: Creating a Real-time Inferencing Service
Lab: Creating a Batch Inferencing ServiceAfter completing this module, you will be able to
- Publish a model as a real-time inference service
- Publish a model as a batch inference service
Module 8: Training Optimal Models
By this stage of the course, you’ve learned the end-to-end process for training, deploying, and consuming machine learning models; but how do you ensure your model produces the best predictive outputs for your data? In this module, you’ll explore how you can use hyperparameter tuning and automated machine learning to take advantage of cloud-scale compute and find the best model for your data.
Lessons
- Hyperparameter Tuning
- Automated Machine Learning
Lab: Tuning Hyperparameters
Lab: Using Automated Machine Learning
After completing this module, you will be able to
- Optimize hyperparameters for model training
- Use automated machine learning to find the optimal model for your data
Module 9: Interpreting Models
Many of the decisions made by organizations and automated systems today are based on predictions made by machine learning models. It’s increasingly important to be able to understand the factors that influence the predictions made by a model, and to be able to determine any unintended biases in the model’s behavior. This module describes how you can interpret models to explain how feature importance determines their predictions.
Lessons
- Introduction to Model Interpretation
- using Model Explainers
Lab: Reviewing Automated Machine Learning Explanations
Lab: Interpreting Models
After completing this module, you will be able to
- Generate model explanations with automated machine learning
- Use explainers to interpret machine learning models
Module 10: Monitoring Models
After a model has been deployed, it’s important to understand how the model is being used in production, and to detect any degradation in its effectiveness due to data drift. This module describes techniques for monitoring models and their data.
Lessons
- Monitoring Models with Application Insights
- Monitoring Data Drift
Lab: Monitoring a Model with Application Insights
Lab: Monitoring Data Drift
Requisiti del corso MOC DP-100
Il Corso Designing and Implementing a Data Science Solution on Azure è rivolto a:
- esperti di dati con conoscenze di Python e di framework di Machine Learning come Scikit-Learn, PyTorch e Tensorflow, che vogliono costruire e far funzionare soluzioni di machine learning nel cloud.
Per partecipare con profitto a questo corso è necessario possedere i seguenti prerequisiti:
- conoscenza basilare di Azure che si può ottenere frequentando il corso AZ-900 – Azure Fundamentals;
- esperienza di scrittura di codice Python per lavorare con i dati, utilizzando librerie come Numpy, Pandas e Matplotlib;
- comprensione della scienza dei dati (incluso come preparare i dati e formare modelli di machine learning), usando le comuni librerie di machine learning come Scikit-Learn, PyTorch o Tensorflow.
Cosa saprai fare alla fine del Corso MOC DP-100
Al termine del corso i partecipanti saranno in grado di:
- Progettare una soluzione di ingestione dei dati per i dati di formazione utilizzati nei progetti di apprendimento automatico
- Progettare una soluzione di formazione dei modelli per progetti di apprendimento automatico
- Capire come verrà consumato un modello
- Decidere se distribuire il modello a un endpoint in tempo reale o in batch
- Creare un’area di lavoro Azure Machine Learning
- Identificare le risorse e gli asset
- Addestrare i modelli nell’area di lavoro
- Interagire con l’area di lavoro Azure Machine Learning
- Lavorare con gli URI (Uniform Resource Identifier)
- Creare e utilizzare i datastore
- Creare e utilizzare risorse di dati
- Scegliere il target di calcolo appropriato
- Creare e utilizzare un’istanza di calcolo
- Creare e utilizzare un cluster di calcolo
- Utilizzare gli ambienti di Azure Machine Learning per eseguire script su qualsiasi target di calcolo
- Trovare il miglior modello di classificazione con l’apprendimento automatico (AutoML)
- Usare MLflow per il tracciamento dei modelli quando si sperimenta nei notebook
- Convertite il vostro codice in uno script ed eseguitelo come job di comando in Azure Machine Learning
- Tracciare l’addestramento del modello con MLflow nei job durante l’esecuzione degli script
- Creare e utilizzare componenti per costruire pipeline in Azure Machine Learning
- Eseguire la regolazione degli iperparametri con un lavoro di sweep in Azure Machine Learning
- istribuire i modelli a un endpoint online gestito per l’inferenza in tempo reale
- Distribuire i modelli a un endpoint batch
- Lavorare con i dati in Azure Databricks
- Addestrare un modello di apprendimento automatico con Azure Databricks
- Utilizzare MLflow per tenere traccia delle esecuzioni degli esperimenti e delle metriche
- Gestire i modelli di apprendimento automatico in Azure Databricks
- Eseguire gli esperimenti di Azure Databricks in Azure Machine Learning
- Distribuire i modelli addestrati negli endpoint di Azure Machine Learning
Impara facendo…
Metti in pratica ciò che apprendi direttamente in ambiente Virtuale Online
Durante il corso avrai la possibilità di accedere ad ambienti basati su piattaforme Online dove andrai a testare le nozioni apprese simulando scenari anche complessi.
Materiale per il corso MOC DP-100 a disposizione sempre aggiornato
Il corso è continuamente aggiornato sia come ambiente di programma sia come ambiente di laboratorio
Oltre al materiale in formato PDF relativo a tutti i moduli del corso, saranno messi a disposizione ulteriori e-book di ulteriore approfondimento sui temi più importanti.
Continuum Formativo
Viene creato un supporto Telegram attraverso il quale, per una durata di 30 gg, è prevista la partecipazione ad un gruppo di lavoro all’interno del quale saranno proposti dei “reminder” e dei suggerimenti per l’utilizzo professionale di quanto appreso, in modo da permettere di proseguire con il processo di autoformazione.
PRENOTA IL TUO CORSO MOC DP-100
Designing and Implementing a Data Science Solution on Azure 4GGPrezzo a partecipante per corso a calendario
Scegli le date che preferisci, indicaci se desideri un corso presso la tua azienda, on-line o in Aula a Verona
Preferisci compilare il modulo? Scrivi i tuoi dati qui sotto
Il servizio telefonico è attivo dal lunedì al venerdì dalle 8:00 alle 18:00 al numero 0452456669. Puoi anche compilare il modulo sottostante:
Desideri parlare con l’insegnante?
Il contatto Telefonico è attivo dal lunedì al venerdì dalle 8:00 alle 18:00 al numero 0452456669.
FAQ CORSO MOC DP-100
Quanto costa?
Il corso ha dei costi fissi ed una tariffa per singolo partecipante, sostanzialmente differente da quella relativa alla partecipazione in gruppo della stessa azienda, contattaci per un preventivo personalizzato in base al numero di partecipanti.
E' possibile partecipare al corso nella mia azienda?
Se hai difficoltà a staccarti dalla tua azienda e devi in qualche modo gestire la presenza in sede, possiamo organizzare il corso direttamente presso la tua sede: ci basta un’aula ed eventualmente un videoproiettore; al resto ci pensiamo tutto noi.
Il corso è propedeutico all'esame di certificazione microsoft?
Il corso aiuta nella preparazione dell’esame di certificazione Microsoft DP-100 Designing and Implementing a Data Science Solution on Azure.
Il corso prevede dei laboratori
Il corso prevede l’utilizzo di laboratori da noi personalizzati al fine di testare le nozioni apprese durante la parte teorica del corso.
