Course Outline

Εισαγωγή

Επισκόπηση Azure Machine Learning (AML) Χαρακτηριστικά και Αρχιτεκτονική

Επισκόπηση μιας ροής εργασίας από άκρο σε άκρο σε AML (Σωληνώσεις Azure Machine Learning)

Παροχή εικονικών μηχανών στο Cloud

Θέματα κλιμάκωσης (CPU, GPUs και FPGA)

Πλοήγηση Azure Machine Learning Studio

Προετοιμασία Δεδομένων

Κατασκευή μοντέλου

Εκπαίδευση και δοκιμή ενός μοντέλου

Εγγραφή εκπαιδευμένου μοντέλου

Δημιουργία εικόνας μοντέλου

Ανάπτυξη μοντέλου

Παρακολούθηση Μοντέλου στην Παραγωγή

Αντιμετώπιση προβλημάτων

Περίληψη και Συμπέρασμα

Requirements

  • Κατανόηση των εννοιών της μηχανικής μάθησης.
  • Γνώση των εννοιών του cloud computing.
  • Μια γενική κατανόηση των κοντέινερ (Docker) και της ενορχήστρωσης (Kubernetes).
  • Η εμπειρία προγραμματισμού Python ή R είναι χρήσιμη.
  • Εμπειρία εργασίας με γραμμή εντολών.

Ακροατήριο

  • Μηχανικοί επιστήμης δεδομένων
  • DevOps μηχανικοί που ενδιαφέρονται για την ανάπτυξη μοντέλων μηχανικής εκμάθησης
  • Οι μηχανικοί υποδομής ενδιαφέρονται για την ανάπτυξη μοντέλων μηχανικής μάθησης
  • Μηχανικοί λογισμικού που επιθυμούν να αυτοματοποιήσουν την ενσωμάτωση και την ανάπτυξη λειτουργιών μηχανικής εκμάθησης με την εφαρμογή τους
  21 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Testimonials (2)

Related Courses

Building Microservices with Microsoft Azure Service Fabric (ASF)

  21 Hours

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Related Categories