Kurzusleírás
Bevezetés
Azure Machine Learning (AML) funkciók és architektúra áttekintése
Egy teljes folyamat Azure Machine Learning (Azure Machine Learning Pipelines) áttekintése
Virtuális gépek felhőben történő kiépítése
Skálázási szempontok (CPU-k, GPU-k és FPGA-k)
Azure Machine Learning Studio navigálása
Adat előkészítése
Modell létrehozása
Modell betanítása és tesztelése
Betanított modell regisztrálása
Modell képe létrehozása
Modell üzembe helyezése
Működő modell nyomon követése
Hibaállások elhárítása
Összefoglalás és kölcsönös értékelés
Követelmények
- A gépi tanulási fogalmak megértése.
- A felhőalapú számítások fogalmainak ismerete.
- Általános tárolók (Docker) és irányítási rendszerek (Kubernetes) ismerete.
- Python vagy R programozási tapasztalat hasznos lehet.
- Parancssori munkafolyamatokban való tapasztalat.
Célcsoport
- Adattudományos mérnökök
- DevOps mérnökök, akik a gépi tanulási modell üzembe helyezésében érdeklődnek.
- Infrastruktúra-mérnökök, akik érdeklődnek a gépi tanulási modell üzembe helyezésében.
- Szoftvermérnökök, akik szeretnék automatizálni az alkalmazásukban a gépi tanulási funkciók integrálását és üzembe helyezését.
Vélemények (2)
A tárgyak részletei és a bemutató 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
