Kurzusleírás
Bevezetés
Az Azure Machine Learning (AML) funkcióinak és architektúrájának áttekintése
Egy végpontok közötti munkafolyamat áttekintése az AML-ben (Azure Machine Learning Pipelines)
Virtuális gépek kiépítése a felhőben
Skálázási szempontok (CPU, GPU és FPGA)
Navigálás az Azure Machine Learning Studioban
Adatok előkészítése
Modell építése
Modell tanítása és tesztelése
Tanított modell regisztrálása
Modellkép készítése
Modell üzembe helyezése
Modell monitorozása éles környezetben
Hibaelhárítás
Összefoglalás és befejezés
Követelmények
- A gépi tanulás alapfogalmainak ismerete.
- A felhőalapú számítástechnika alapfogalmainak ismerete.
- Általános ismeret a konténerekről (Docker) és az orchestrationről (Kubernetes).
- Python vagy R programozási tapasztalat hasznos.
- Parancssor használatának tapasztalata.
Célközönség
- Adattudományi mérnökök
- DevOps mérnökök, akik a gépi tanulási modellek üzembe helyezésében érdekeltek
- Infrastruktúra mérnökök, akik a gépi tanulási modellek üzembe helyezésében érdekeltek
- Szoftvermérnökök, akik szeretnék automatizálni a gépi tanulási funkciók integrálását és üzembe helyezését az alkalmazásaikkal
Vélemények (2)
A részletek és a bemutatás stílusa.
Cristian Mititean - Accenture Industrial SS
Kurzus - Azure Machine Learning (AML)
Gépi fordítás
A gyakorlatok
Khaled Altawallbeh - Accenture Industrial SS
Kurzus - Azure Machine Learning (AML)
Gépi fordítás