THỜI LƯỢNG: 03 ngày (~ 24 giờ)
GIỚI THIỆU KHÓA HỌC
Tìm hiểu cách vận hành các giải pháp học máy ở quy mô đám mây bằng Azure Machine Learning. Khóa học này giúp học viên áp dụng kiến thức về Python và máy học để quản lý việc nhập và chuẩn bị dữ liệu, đào tạo và triển khai mô hình cũng như giám sát giải pháp học máy trong Microsoft Azure.
ĐỐI TƯỢNG THAM DỰ
Khóa học này được thiết kế cho các nhà khoa học dữ liệu có kiến thức nền tảng về Python và các khuôn khổ học máy như Scikit-Learn, PyTorch và Tensorflow, những người muốn xây dựng và vận hành các giải pháp máy học trên đám mây.
ĐIỀU KIỆN THAM DỰ
Học viên cần có kiến thức cơ bản về các khái niệm điện toán đám mây và kinh nghiệm về khoa học dữ liệu nói chung và các công cụ, kỹ thuật học máy.
Đặc biệt:
- Tạo tài nguyên đám mây trong Microsoft Azure.
- Sử dụng Python để khám phá và trực quan hóa dữ liệu.
- Đào tạo và xác thực các mô hình học máy sử dụng các khuôn khổ phổ biến như Scikit-Learn, PyTorch và TensorFlow.
- Làm việc với container.
Hoặc học viên cần trang bị kiến thức nền tảng thông qua các khóa học:
- Explore Microsoft cloud concepts.
- Create machine learning models.
- Administer containers in Azure
- Microsoft Azure AI Fundamentals.
CHỨNG NHẬN HOÀN TẤT KHÓA HỌC
Sau khi kết thúc khóa học, học viên được cấp chứng nhận bởi SmartPro.
NỘI DUNG KHÓA HỌC
Module 1: Getting Started with Azure Machine Learning
- Introduction to Azure Machine Learning
- Working with Azure Machine Learning
Lab: Create an Azure Machine Learning Workspace
Module 2: No-Code Machine Learning
- Automated Machine Learning
- Azure Machine Learning Designer
Lab: Use Automated Machine Learning
Lab: Use Azure Machine Learning Designer
Module 3: Running Experiments and Training Models
- Introduction to Experiments
- Training and Registering Models
Lab: Run Experiments
Lab: Train Models
Module 4: Working with Data
- Working with Datastores
- Working with Datasets
Lab: Work with Data
Module 5: Working with Compute
- Working with Environments
- Working with Compute Targets
Lab: Work with Compute
Module 6: Orchestrating Operations with Pipelines
- Introduction to Pipelines
- Publishing and Running Pipelines
Lab: Create a Pipeline
Module 7: Deploying and Consuming Models
- Real-time Inferencing
- Batch Inferencing
- Continuous Integration and Delivery
Lab: Create a Real-time Inferencing Service
Lab: Create a Batch Inferencing Service
Module 8: Training Optimal Models
- Hyperparameter Tuning
- Automated Machine Learning
Lab: Tune Hyperparameters
Lab: Use Automated Machine Learning from the SDK
Module 9: Responsible Machine Learning
- Differential Privacy
- Model Interpretability
- Fairness
Lab: Explore Differential provacy
Lab: Interpret Models
Lab: Detect and Mitigate Unfairness
Module 10: Monitoring Models
- Monitoring Models with Application Insights
- Monitoring Data Drift
Lab: Monitor a Model with Application Insights
Lab: Monitor Data Drift
.png)
