Designing and Implementing a Data Science Solution on Azure

En este curso, los alumnos aprenderán cómo operar soluciones de aprendizaje automático a escala de la nube utilizando Azure Machine Learning. Este curso te enseña a aprovechar tu conocimiento existente de Python y el aprendizaje automático para administrar la ingestión y preparación de datos, el entrenamiento y la implementación de modelos y el monitoreo de la solución de aprendizaje automático en Microsoft Azure.

Al finalizar el curso los alumnos podrán:

• Definir y preparar el entorno de desarrollo.
• Preparar datos para modelar
• Realizar ingeniería de funciones
• Desarrollar modelos

Este curso está diseñado para científicos de datos con conocimiento existente de Python y marcos de aprendizaje automático como Scikit-Learn, PyTorch y Tensorflow, que desean crear y operar soluciones de aprendizaje automático en la nube.

Antes de asistir a este curso, los alumnos deben tener:

• Un conocimiento fundamental de Microsoft Azure
• Experiencia en la escritura de código Python para trabajar con datos, usando bibliotecas como Numpy, Pandas y Matplotlib.
• Comprensión de la ciencia de datos; incluido cómo preparar datos y entrenar modelos de aprendizaje automático mediante bibliotecas comunes de aprendizaje automático como Scikit-Learn, PyTorch o Tensorflow.

 

Una copia de la documentación oficial de Microsoft.

 

Curso activo y participativo mediante demostraciones, ejercicios prácticos y análisis clínico de usuarios de todos los temas teóricos impartidos por el formador con el fin de abordar casos reales del producto relacionado. El formador también utilizará diferentes dinámicas que permitan el trabajo en grupo en el aula como retos, exámenes de evaluación y casos reales para prepararse para el examen de certificación de Microsoft asociado, si lo hay.

Este curso esta certificado por Microsoft®.

Evaluación continua basada en actividades grupales e individuales. La facultad dará retroalimentación continua al final de las actividades a cada participante.

Durante el curso los participantes completarán una prueba de evaluación que deberán superar con más del 75%. Tendrán una hora disponible para su realización.

Las condiciones de los servicios de certificación adicionales están sujetas a los términos del propietario de la licencia o de la autoridad de certificación autorizada.

Se emitirá Certificado de Asistencia al curso DP 100 sólo a los alumnos con una asistencia superior al 75% y Diploma aprovechamiento si superan también la prueba de evaluación.

 

Módulo 1: Introducción a Azure Machine Learning

En este módulo, aprenderás cómo proveer un espacio de trabajo de Azure Machine Learning y usarlo para administrar activos de aprendizaje automático como datos, computación, código de entrenamiento del modelo, métricas registradas y modelos entrenados. Aprenderás a usar la interfaz de estudio de Azure Machine Learning basada en la web, así como el SDK de Azure Machine Learning y herramientas de desarrollo como Visual Studio Code y Jupyter Notebooks para trabajar con los activos en su espacio de trabajo.

Lecciones

• Introducción al aprendizaje automático de Azure
• Trabajar con Azure Machine Learning
• Laboratorio: Creación de un espacio de trabajo de Azure Machine Learning

Después de completar este módulo, podrás:

• Aprovisionar un espacio de trabajo de Azure Machine Learning
• Usar herramientas y código para trabajar con Azure Machine Learning

Módulo 2: Aprendizaje automático sin código

Este módulo presenta las herramientas visuales Automated Machine Learning y Designer, que puedes utilizar para entrenar, evaluar e implementar modelos de aprendizaje automático sin escribir ningún código.

Lecciones

• Aprendizaje automático automatizado
• Diseñador de Azure Machine Learning
• Laboratorio: Utilice el aprendizaje automático automatizado
• Laboratorio: Use Azure Machine Learning Designer

Después de completar este módulo, podrás:

• Utilizar el aprendizaje automático automatizado para entrenar un modelo de aprendizaje automático
• Usar el diseñador de Azure Machine Learning para entrenar un modelo

Módulo 3: Ejecución de experimentos y modelos de entrenamiento

En este módulo, comenzarás con experimentos que encapsulan el procesamiento de datos y el código de entrenamiento de modelos, y los usarás para entrenar modelos de aprendizaje automático.

Lecciones

• Introducción a los experimentos
• Modelos de formación y registro
• Laboratorio: Ejecutar experimentos
• Laboratorio: Modelos de trenes

Después de completar este módulo, podrás:

• Ejecutar experimentos basados en código en un área de trabajo de Azure Machine Learning
• Entrenar y registrar modelos de aprendizaje automático

Módulo 4: Trabajar con data

Los datos son un elemento fundamental en cualquier carga de trabajo de aprendizaje automático, por lo que en este módulo aprenderás a crear y administrar almacenes de datos y conjuntos de datos en un espacio de trabajo de aprendizaje automático de Azure y cómo usarlos en experimentos de entrenamiento de modelos.

Lecciones

• Trabajar con almacenes de datos
• Trabajar con conjuntos de datos
• Laboratorio: Trabajar con datos

Después de completar este módulo, podrás:

• Crear y utilizar almacenes de datos
• Crear y usar conjuntos de datos

Módulo 5: Trabajar con Compute

Uno de los beneficios clave de la nube es la capacidad de aprovechar los recursos informáticos a pedido y usarlos para escalar los procesos de aprendizaje automático en una medida que sería inviable en su propio hardware. En este módulo, aprenderás a administrar entornos de experimentos que garantizan la coherencia del tiempo de ejecución de los experimentos y a crear y utilizar objetivos de cálculo para las ejecuciones de experimentos.

Lecciones

• Trabajar con entornos
• Trabajar con objetivos informáticos
• Laboratorio: Trabajar con Compute

Después de completar este módulo, podrás:

• Crear y usar entornos
• Crear y utilizar objetivos informáticos

Módulo 6: Orquestación de operaciones con canalizaciones

Ahora que comprendes los conceptos básicos de la ejecución de cargas de trabajo como experimentos que aprovechan los activos de datos y los recursos informáticos, es hora de aprender a organizar estas cargas de trabajo como canalizaciones de pasos conectados. Las canalizaciones son clave para implementar una solución eficaz de operacionalización de aprendizaje automático (ML Ops) en Azure, por lo que explorarás cómo definirlas y ejecutarlas en este módulo.

Lecciones

• Introducción a las canalizaciones
• Publicación y ejecución de canalizaciones
• Laboratorio: Crear una canalización

Después de completar este módulo, podrás:

• Crear canalizaciones para automatizar los flujos de trabajo de aprendizaje automático
• Publicar y ejecutar servicios de canalización

Módulo 7: Implementación y consumo de modelos

Los modelos están diseñados para ayudar a la toma de decisiones a través de predicciones, por lo que solo son útiles cuando se implementan y están disponibles para que una aplicación los consuma. En este módulo, aprenderás a implementar modelos para inferencias en tiempo real y para inferencias por lotes.

Lecciones

• Inferencia en tiempo real
• Inferencia por lotes
• Integración y entrega continua
• Laboratorio: Crear un servicio de inferencia en tiempo real
• Laboratorio: Crear un servicio de inferencia por lotes

Después de completar este módulo, podrás:

• Publicar un modelo como servicio de inferencia en tiempo real
• Publicar un modelo como un servicio de inferencia por lotes
• Describir técnicas para implementar la integración y entrega continuas.

Módulo 8: Entrenamiento de modelos óptimos

En esta etapa del curso, has aprendido el proceso de un extremo a otro para capacitar, implementar y consumir modelos de aprendizaje automático; pero, ¿cómo te puedes asegurar de que tu modelo produce los mejores resultados predictivos para tus datos? En este módulo, explorarás cómo puedes usar el ajuste de hiperparámetros y el aprendizaje automático automatizado para aprovechar la computación a escala de la nube y encontrar el mejor modelo para tus datos.

Lecciones

• Ajuste de hiperparámetros
• Aprendizaje automático automatizado
• Laboratorio: Ajuste de hiperparámetros
• Laboratorio: Utilice el aprendizaje automático automatizado del SDK

Después de completar este módulo, podrás:

• Optimizar los hiperparámetros para el entrenamiento de modelos
• Utilizar el aprendizaje automático automatizado para encontrar el modelo óptimo para sus datos

Módulo 9: Aprendizaje automático responsable

Los científicos de datos tienen el deber de garantizar que analizan datos y entrenan modelos de aprendizaje automático de manera responsable; respetar la privacidad individual, mitigar los prejuicios y garantizar la transparencia. Este módulo explora algunas consideraciones y técnicas para aplicar principios de aprendizaje automático responsable.

Lecciones

• Privacidad diferencial
• Interpretabilidad del modelo
• Justicia
• Laboratorio: Explore la privacidad diferencial
• Laboratorio: Interpretar modelos
• Laboratorio: Detectar y mitigar la injusticia

Después de completar este módulo, podrás:

• Aplicar privacidad diferencial al análisis de datos
• Utilizar explicadores para interpretar modelos de aprendizaje automático
• Evaluar modelos de equidad

Módulo 10: Modelos de monitoreo

Una vez que se ha implementado un modelo, es importante comprender cómo se utiliza el modelo en producción y detectar cualquier degradación en su eficacia debido a la deriva de datos. Este módulo describe técnicas para monitorear modelos y sus datos.

Lecciones

• Monitoreo de modelos con Application Insights
• Supervisión de la deriva de datos
• Laboratorio: Monitorear un modelo con Application Insights
• Laboratorio: Supervisión de la deriva de datos

Después de completar este módulo, podrás:

• Usar Application Insights para monitorear un modelo publicado
• Supervisar la deriva de datos

 

DP-100 / DP100