NOSOTROS CRONOGRAMA FRANQUICIA BLOG CONTACTO ACCESO SISTEMA ACADEMICO

MICROSOFT

Diseño e Implementación de una Solución de Ciencia de Datos en Azure

Código: DP-100T01


Aprenda a operar soluciones de aprendizaje automático a escala de la nube con Azure Machine Learning. Este curso le enseña a aprovechar su conocimiento existente de Python y el aprendizaje automático para administrar la ingestión y preparación de datos, la capacitación e implementación de modelos, y el monitoreo de soluciones de aprendizaje automático en Microsoft Azure.

 Propuesta de Valor: MICROSOFT

 Duración: 24 Horas Académicas

Áreas de Conocimiento:
CLOUDINTELIGENCIA DE NEGOCIOS Y DATA ANALITICS CIENCIA DE DATOS E INTELIGENCIA ARTIFICIAL

Exportar Contenido a PDF

   AUDIENCIA


  • 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 construir y operar soluciones de aprendizaje automático en la nube.

   PRE REQUISITOS


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

   OBJETIVOS


  • Cree ciencia de datos en Azure.
  • Cree ciencia de datos con el servicio Azure Machine Learning.
  • Automatice el aprendizaje automático con el servicio Azure Machine Learning.
  • Administre y monitoree modelos de aprendizaje automático con el servicio Azure Machine Learning.

   CERTIFICACIÓN DISPONIBLE



  • Este curso lo prepara para el: Examen DP-100: Designing and Implementing a Data Science Solution on Azure. Este examen es un de los requerimientos para la certificacion: Microsoft Certified: Azure Data Scientist Associate.
  • Idiomas: inglés

   CONTENIDO



1. ADMINISTRACIÓN DE AZURE

1.1. INTRODUCCIÓN A AZURE MACHINE LEARNING
1.2. HERRAMIENTAS DE AZURE MACHINE LEARNING
1.3. LABORATORIO: CREACIÓN DE UN ESPACIO DE TRABAJO DE AZURE MACHINE LEARNING
1.4. LABORATORIO: TRABAJO CON LAS HERRAMIENTAS DE AZURE MACHINE LEARNING


2. APRENDIZAJE AUTOMÁTICO SIN CÓDIGO CON DESIGNER

2.1. MODELOS DE ENTRENAMIENTO CON DISEÑADOR
2.2. PUBLICACIÓN DE MODELOS CON DISEÑADOR
2.3. LABORATORIO: CREACIÓN DE UNA CANALIZACIÓN DE CAPACITACIÓN CON AZURE ML DESIGNER
2.4. LABORATORIO: IMPLEMENTACIÓN DE UN SERVICIO CON AZURE ML DESIGNER


3. EJECUCIÓN DE EXPERIMENTOS Y MODELOS DE ENTRENAMIENTO

3.1. INTRODUCCIÓN A LOS EXPERIMENTOS
3.2. MODELOS DE ENTRENAMIENTO Y REGISTRO
3.3. LABORATORIO: EJECUCIÓN DE EXPERIMENTOS
3.4. LABORATORIO: CAPACITACIÓN Y REGISTRO DE MODELOS


4. TRABAJANDO CON DATOS

4.1. TRABAJANDO CON ALMACENES DE DATOS
4.2. TRABAJANDO CON CONJUNTOS DE DATOS
4.3. LABORATORIO: TRABAJAR CON ALMACENES DE DATOS
4.4. LABORATORIO: TRABAJAR CON CONJUNTOS DE DATOS


5. CONTEXTOS COMPUTACIONALES

5.1. TRABAJANDO CON AMBIENTES
5.2. TRABAJANDO CON OBJETIVOS COMPUTACIONALES
5.3. LABORATORIO: TRABAJAR CON ENTORNOS
5.4. LABORATORIO: TRABAJAR CON OBJETIVOS DE COMPUTO


6. ORQUESTACIÓN DE OPERACIONES CON TUBERÍAS

6.1. INTRODUCCIÓN A LAS TUBERÍAS
6.2. PUBLICACIÓN Y EJECUCIÓN DE CANALIZACIONES
6.3. LABORATORIO: CREACIÓN DE UNA TUBERÍA
6.4. LABORATORIO: PUBLICACIÓN DE UNA TUBERÍA


7. IMPLEMENTACIÓN Y CONSUMO DE MODELOS

7.1. INFERENCIA EN TIEMPO REAL
7.2. INFERENCIA POR LOTES
7.3. LABORATORIO: CREACIÓN DE UN SERVICIO DE CONFERENCIAS EN TIEMPO REAL
7.4. LABORATORIO: CREACIÓN DE UN SERVICIO DE CONFERENCIAS POR LOTES


8. CAPACITACIÓN DE MODELOS OPTIMOS

8.1. AJUSTE DE HIPERPARAMETROS
8.2. APRENDIZAJE AUTOMÁTICO AUTOMATIZADO
8.3. LABORATORIO: AJUSTE DE HIPERPARAMETROS
8.4. LABORATORIO: USO DEL APRENDIZAJE AUTOMÁTICO AUTOMATIZADO


9. INTERPRETACIÓN DE MODELOS

9.1. INTRODUCCIÓN A LA INTERPRETACIÓN DEL MODELO
9.2. UTILIZANDO EXPLICADORES MODELO
9.3. LABORATORIO: REVISIÓN DE EXPLICACIONES AUTOMATIZADAS DE APRENDIZAJE AUTOMÁTICO
9.4. LABORATORIO: INTERPRETACIÓN DE MODELOS


10. MONITOREO DE MODELOS

10.1. MONITOREO DE MODELOS CON APPLICATION INSIGHTS
10.2. MONITOREO DE DERIVA DE DATOS
10.3. LABORATORIO: MONITOREO DE UN MODELO CON APPLICATION INSIGHTS
10.4. LABORATORIO: MONITOREO DE DERIVA DE DATOS



   BENEFICIOS



  • Al finalizar el curso, el científico de datos de Azure aplica sus conocimientos de ciencia de datos y aprendizaje automático para implementar y ejecutar cargas de trabajo de aprendizaje automático en Azure; en particular, utilizando Azure Machine Learning Service.

   INVERSIÓN



La inversión incluye: Material de estudio oficial de MICROSOFT, certificados e impuestos de ley.

  • En los cursos presenciales proveemos de una computadora por persona y refrigerios.
  • En los cursos virtuales las plataformas interactivas y acceso al aula virtual de recursos.
  • Certificado oficial MICROSOFT.
  • Los laboratorios son los oficiales en la Nube MICROSOFT.