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

   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



  • Examen AZ-301: Diseño arquitectónico de Microsoft Azure
  • Idiomas: inglés, japonés, chino (simplificado), coreano
  • Este examen mide su capacidad para realizar las siguientes tareas técnicas: determinar los requisitos de carga de trabajo; diseño de identidad y seguridad; diseñar una solución de plataforma de datos; diseñar una estrategia de continuidad empresarial; diseño para implementación, migración e integración; y diseñar una estrategia de infraestructura.

  •    CONTENIDO



    1. MODULO 1: ADMINISTRACION DE AZURE



    1.1. INTRODUCCION A AZURE MACHINE LEARNING:

    1.2. HERRAMIENTAS DE AZURE MACHINE LEARNING:

    1.3. LABORATORIO: CREACION DE UN ESPACIO DE TRABAJO DE AZURE MACHINE LEARNING:

    1.4. LABORATORIO: TRABAJO CON LAS HERRAMIENTAS DE AZURE MACHINE LEARNING:

    2. MODULO 2: APRENDIZAJE AUTOMATICO SIN CODIGO CON DESIGNER



    2.1. MODELOS DE ENTRENAMIENTO CON DISEñADOR:

    2.2. PUBLICACION DE MODELOS CON DISEñADOR:

    2.3. LABORATORIO: CREACION DE UNA CANALIZACION DE CAPACITACION CON AZURE ML DESIGNER:

    2.4. LABORATORIO: IMPLEMENTACION DE UN SERVICIO CON AZURE ML DESIGNER:

    3. MODULO 3: EJECUCION DE EXPERIMENTOS Y MODELOS DE ENTRENAMIENTO



    3.1. INTRODUCCION A LOS EXPERIMENTOS:

    3.2. MODELOS DE ENTRENAMIENTO Y REGISTRO:

    3.3. LABORATORIO: EJECUCION DE EXPERIMENTOS:

    3.4. LABORATORIO: CAPACITACION Y REGISTRO DE MODELOS:

    4. MODULO 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. MODULO 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. MODULO 6: ORQUESTACION DE OPERACIONES CON TUBERIAS



    6.1. INTRODUCCION A LAS TUBERIAS:

    6.2. PUBLICACION Y EJECUCION DE CANALIZACIONES:

    6.3. LABORATORIO: CREACION DE UNA TUBERIA:

    6.4. LABORATORIO: PUBLICACION DE UNA TUBERIA:

    7. MODULO 7: IMPLEMENTACION Y CONSUMO DE MODELOS



    7.1. INFERENCIA EN TIEMPO REAL:

    7.2. INFERENCIA POR LOTES:

    7.3. LABORATORIO: CREACION DE UN SERVICIO DE CONFERENCIAS EN TIEMPO REAL:

    7.4. LABORATORIO: CREACION DE UN SERVICIO DE CONFERENCIAS POR LOTES:

    8. MODULO 8: CAPACITACION DE MODELOS OPTIMOS



    8.1. AJUSTE DE HIPERPARAMETROS:

    8.2. APRENDIZAJE AUTOMATICO AUTOMATIZADO:

    8.3. LABORATORIO: AJUSTE DE HIPERPARAMETROS:

    8.4. LABORATORIO: USO DEL APRENDIZAJE AUTOMATICO AUTOMATIZADO:

    9. MODULO 9: INTERPRETACION DE MODELOS



    9.1. INTRODUCCION A LA INTERPRETACION DEL MODELO:

    9.2. UTILIZANDO EXPLICADORES MODELO:

    9.3. LABORATORIO: REVISION DE EXPLICACIONES AUTOMATIZADAS DE APRENDIZAJE AUTOMATICO:

    9.4. LABORATORIO: INTERPRETACION DE MODELOS:

    10. MODULO 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 conocerá Azure, sus soluciones, como implementarlas y administrarlas para que podamos llevar nuestra infraestructura On-Premises hacia la nube, una nube que nosotros podemos adaptar de muchas formas con nuestros recursos locales y sacar su mayor beneficio para nuestro negocio.