Schulungsübersicht
Einführung
Überblick über die Funktionen und Architektur von Azure Machine Learning (AML)
Überblick über einen End-to-End-Arbeitsablauf in AML (Azure Machine Learning Pipelines)
Bereitstellung virtueller Computer in der Cloud
Skalierungsaspekte (CPUs, GPUs und FPGAs)
Navigation in Azure Machine Learning Studio
Daten vorbereiten
Modell erstellen
Modell trainieren und testen
Trainiertes Modell registrieren
Modell-Image erstellen
Modell bereitstellen
Überwachung des Modells in der Produktion
Fehlerbehebung
Zusammenfassung und Fazit
Voraussetzungen
- Ein Verständnis von Machine Learning Konzepten.
- Kenntnisse der Cloud Computing Konzepte.
- Ein grundlegendes Verständnis von Containern (Docker) und Orchestrierung (Kubernetes).
- Erfahrung mit Python oder R ist hilfreich.
- Erfahrung im Arbeiten mit der Kommandozeile.
Zielgruppe
- Data Science Ingenieure
- DevOps Ingenieure, die sich für die Bereitstellung von Machine Learning Modellen interessieren
- Infrastruktur-Ingenieure, die sich für die Bereitstellung von Machine Learning Modellen interessieren
- Software-Ingenieure, die die automatisierte Integration und Bereitstellung von Machine Learning Funktionen in ihre Anwendungen wünschen
Erfahrungsberichte (2)
Die Details und der Präsentationstyp.
Cristian Mititean - Accenture Industrial SS
Kurs - Azure Machine Learning (AML)
Maschinelle Übersetzung
Die Übungen
Khaled Altawallbeh - Accenture Industrial SS
Kurs - Azure Machine Learning (AML)
Maschinelle Übersetzung