top of page

ZUGESCHNITTENER MICROSOFT DP-100T01 WORKSHOP: DATA SCIENCE MIT MICROSOFT AZURE MACHINE LEARNING STUDIO (VERKÜRZTER DP-100T01)

Präsenzveranstaltungen in Wiesbaden oder Online-Seminar an 1 Tag: 1.090,- € pro Person (netto)

Hier können Daten analysiert und aufbereitet, Modelle trainiert und sofort ausgerollt werden. Dabei stehen alle typischen Vorteile einer Cloud-Plattform zur Verfügung.

Termine Offene Schulungen Crash-Kurs: 14.06.2024, 29.11.2024

sah

LERNZIELE UND AGENDA

​

Ziele:

  • Entwerfen einer Datenübernahme-Strategie für Machine Learning-Projekte

  • Entwerfen einer Lösung für das Training von Machine Learning-Modellen
  • Entwerfen einer Lösung für die Bereitstellung von Modellen
  • Erkunden von Azure Machine Learning-Arbeitsbereich-Ressourcen und -Vermögenswerten
  • Erkunden von Entwicklertools für die Interaktion mit dem Arbeitsbereich
  • Bereitstellen von Daten in Azure Machine Learning
  • Arbeiten mit Rechenzielen in Azure Machine Learning
  • Arbeiten mit Umgebungen in Azure Machine Learning
  • Finden des besten Klassifikationsmodells mit Automated Machine Learning
  • Verfolgen von Modell-Trainings in Jupyter-Notebooks mit MLflow
  • Ausführen eines Trainings-Skripts als Befehlsjob in Azure Machine Learning
  • Verfolgen von Modell-Trainings mit MLflow in Jobs
  • Ausführen von Pipelines in Azure Machine Learning
  • Durchführen von Hyperparameter-Tuning mit Azure Machine Learning
  • Bereitstellen eines Modells an einen verwalteten Online-Endpunkt
  • Bereitstellen eines Modells an einen Batch-Endpunkt

OFFENE SCHULUNG

Präsenzveranstaltung in Wiesbaden

oder Online-Seminar

​

   €1.090,00   

pro Person, zzgl. gesetzlicher USt

​

Präsenzveranstaltungen finden in Wiesbaden statt und werden ab zwei Anmeldung durchgeführt (Angebotsgarantie)

INHOUSE-SEMINAR

Seminardurchführung am Standort des Kunden

​

   €1.390,00   

pro Tag bis 4 Teilnehmer zzgl. gesetzlicher USt

​

Alle Inhalte der Inhouse-Seminare werden individuell zugeschnitten und zielgruppenspezifisch vermittelt.


Intensive Nachbetreuung ermöglicht den Teilnehmern ihre Kenntnisse in kürzester Zeit umzusetzen.

​

Empfohlene Seminardauer: 1-1,5 Tage

​

Leihgebühren Schulungsnotebook (auf Wunsch): 60,- Euro (pro Tag, pro Schulungsrechner)

WORKSHOP

Sie nennen uns Ihre Themen!

​

   Preis auf Anfrage   

zzgl. gesetzlicher USt und ggf. Reisekoste

​

Alle Inhalte des Workshops werden individuell zugeschnitten und zielgruppenspezifisch vermittelt.

​

Gerne führen wir den Workshop bei Ihnen vor Ort, in Wiesbaden oder online durch.

​

Leihgebühren Schulungsnotebook (auf Wunsch): 60,- Euro (pro Tag, pro Schulungsrechner)

Tag 1

Entwerfen einer Datenübernahme-Strategie für Machine Learning-Projekte

  • Identifizieren der Datenquelle und des Formats

  • Wählen, wie Daten an Machine Learning-Workflows übergeben werden sollen

  • Entwerfen einer Datenübernahme-Lösung

Entwerfen einer Lösung für das Training von Machine Learning-Modellen

  • Identifizieren der Machine Learning-Aufgaben

  • Auswählen eines Dienstes zum Trainieren eines Modells aus

  • Auswählen zwischen Rechenoptionen

Entwerfen einer Lösung für die Bereitstellung von Modellen

  • Verstehen, wie ein Modell genutzt wird

  • Entscheiden, ob das Modell an einen Echtzeit- oder Batch-Endpunkt bereitgestellt wird

Erkunden von Azure Machine Learning-Arbeitsbereich-Ressourcen und -Vermögenswerten

  • Erstellen eines Azure Machine Learning-Arbeitsbereichs

  • Identifizieren von Ressourcen und Vermögenswerten

  • Trainieren von Modellen im Arbeitsbereich

Erkunden von Entwicklertools für die Interaktion mit dem Arbeitsbereich

  • Azure Machine Learning-Studio

  • Python Software Development Kit (SDK)

  • Azure Command Line Interface (CLI)

Bereitstellen von Daten in Azure Machine Learning

  • Arbeiten mit Uniform Resource Identifiers (URIs)

  • Erstellen und Verwenden von Datenspeichern

  • Erstellen und Verwenden von Data Assets

Arbeiten mit Rechenzielen in Azure Machine Learning

  • Wählen des geeigneten Rechenziels aus

  • Erstellen und Verwenden einer Recheninstanz

  • Erstellen und Verwenden eines Rechenclusters

Arbeiten mit Umgebungen in Azure Machine Learning

  • Verständnis von Umgebungen in Azure Machine Learning

  • Erkunden und Verwenden von zusammengestellten Umgebungen

  • Erstellen und Verwenden von benutzerdefinierten Umgebungen

Tag 2

Finden des besten Klassifikationsmodells mit Automated Machine Learning

  • Vorbereiten von Daten zur Verwendung von AutoML für die Klassifikation

  • Konfigurieren und Ausführen eines AutoML-Experiments

  • Bewerten und Vergleichen von Modellen

Verfolgen von Modell-Trainings in Jupyter-Notebooks mit MLflow

  • Konfigurieren zur Verwendung von MLflow in Notebooks

  • Verwenden von MLflow zur Modellverfolgung in Notebooks

Ausführen eines Trainings-Skripts als Befehlsjob in Azure Machine Learning

  • Umwandeln eines Notebooks in ein Skript

  • Testen von Skripts in einem Terminal

  • Ausführen eines Skripts als Befehlsjob

  • Verwenden von Parametern in einem Befehlsjob

Verfolgen von Modell-Trainings mit MLflow in Jobs

  • Verwendung von MLflow bei der Ausführung eines Skripts als Job

  • Überprüfen von Metriken, Parametern, Artefakten und Modellen aus einem Flow

Ausführen von Pipelines in Azure Machine Learning

  • Erstellen von Komponenten

  • Erstellen einer Azure Machine Learning-Pipeline

  • Ausführen einer Azure Machine Learning-Pipeline

Durchführen von Hyperparameter-Tuning mit Azure Machine Learning

  • Definition eines Suchraums für Hyperparameter

  • Konfigurieren der Abtastung der Hyperparameter

  • Auswahl einer Richtlinie zur vorzeitigen Beendigung

  • Ausführen eines Suchjobs für Hyperparameter

Bereitstellen eines Modells an einen verwalteten Online-Endpunkt

  • Verwendung von verwalteten Online-Endpunkten

  • Bereitstellen eines MLflow-Modells an einen verwalteten Online-Endpunkt

  • Bereitstellen eines benutzerdefinierten Modells an einen verwalteten Online-Endpunkt

  • Testen von Online-Endpunkten

Bereitstellen eines Modells an einen Batch-Endpunkt

  • Erstellen eines Batch-Endpunkts

  • Bereitstellen eines MLflow-Modells an einen Batch-Endpunkt

  • Bereitstellen eines benutzerdefinierten Modells an einen Batch-Endpunkt

  • Aufrufen von Batch-Endpunkten

INHALT

 

Microsoft stellt auf seiner Azure Plattform das Machine Learning Studio bereit, das auf Machine und Deep Learning, aber auch auf Large Language Modelle, zugeschnitten ist. Hier können Daten analysiert und aufbereitet, Modelle trainiert und sofort ausgerollt werden. Dabei stehen alle typischen Vorteile einer Cloud-Plattform zur Verfügung.

  • Versionierung der Datensätze und Modelle

  • Nutzen von Ressourcen zum Berechnen von Modellen On-Demand: Von der kleinen Maschine mit 2 CPUs und wenig RAM bis zum riesigen Cluster, auch mit modernsten NVIDIA-GPUs

  • Minutengenaue Abrechnung aller Services

  • Deployment: Selten war es so einfach, ein trainiertes Modell auszurollen. Azure stellt u.a. ein REST-Interface zur Verfügung, das einfach in eigene Applikationen integriert werden kann. Den notwendigen Code liefert Microsoft gleich mit.

  • Einfache Modellierung: Natürlich können jupyter-Notebooks mit Python genutzt werden oder auch Python-Skripte. Daneben gibt es aber mit AutoML ein Modellierungsoption, die den Usern viele Schritte abnimmt - Python ist hier gar nicht mehr notwendig. Auch diese Modelle können einfach ausgerollt werden.

  • Sie arbeiten aktuell noch mit dem IBM SPSS Modeler oder einer vergleichbaren Software? Microsoft stellt hier mit dem Designer ein Flussorientiertes Tool zur Verfügung: Die Modelle werden entsprechend dem Flow der Daten aus einzelnen Modulen. Solche Modelle können  z.B. das Entfernen von Ausreißern, das Imputieren von fehlenden Werten, der Split der Daten in Training und Test, die Wahl eines Modellierungsverfahren, die Evaluation etc. sein.  Auch dies ist eine Code-Free-Lösung, die kein Python benötigt.

  • Automatisiertes Monitoring der Modellgüte

Mittlerweile legt Microsoft den Kurs als Vier-Tages-Seminar auf. Dieser deckt dann die ganze Bandbreite des Angebots des Machine Learning Studio ab, das ist aber oft für Praktiker:innen gar nicht notwendig. Wir bieten ihnen an zwei Tagen (auf Anfrage ist auch ein Tag möglich) ein auf ihre Bedürfnisse zugeschnittenen Workshop an. Gerne auch in ihrem Azure Portal.

 

Lektionen und Laboreinheiten des Seminars, aus denen Sie wählen können:

Einen detaillieren Überblick über die Themen finden Sie auch hier: https://learn.microsoft.com/de-de/training/courses/dp-100t01

bottom of page