Team Datawetenschap Proces voor gegevenswetenschappers
Dit artikel bevat richtlijnen en training over de doelstellingen die u moet instellen wanneer u uitgebreide oplossingen voor gegevenswetenschap implementeert met Azure-technologieën.
Doelstellingen voor gegevenswetenschappers
In deze lijst worden de belangrijkste doelstellingen beschreven voor gegevenswetenschappers die gebruikmaken van het TDSP (Team Datawetenschap Process):
- Inzicht in een analyseworkload.
- Gebruik de TDSP-levenscyclus.
- Gebruik Azure Machine Learning.
- Inzicht in de basisbeginselen van gegevensoverdracht en gegevensopslag.
- Geef documentatie over de gegevensbron op.
- Hulpprogramma's gebruiken voor analyseverwerking.
Deze doelstellingen zijn van cruciaal belang voor de voorbereiding op het gebruik van de TDSP. De TDSP beschrijft een uitgebreide benadering voor het effectief beheren en starten van data science-projecten. In dit artikel wordt het belang van elke doelstelling beschreven en vindt u koppelingen naar de relevante Azure-resources.
Inzicht in een analyseworkload
Vereisten identificeren: deze stap omvat inzicht in de specifieke behoeften en doelstellingen van de analyseworkload. Het helpt bij het identificeren van de zakelijke vragen die moeten worden beantwoord en de problemen die moeten worden opgelost.
Bereik definiëren: deze stap gaat over het duidelijk definiëren van het bereik van het project, zodat het team zich kan richten op relevante gegevens- en analysetaken.
Resources toewijzen: deze stap omvat het analyseren van de workload om de vereiste resources te identificeren, zoals rekenkracht, opslag en menselijke expertise.
Integratie binnen de TDSP
Azure heeft veel resources die u kunt gebruiken voor analyseworkloads. De volgende lijst bevat aanbevolen resources in Azure-architecturen.
Planning en uitvoering: gebruik het Cloud Adoption Framework voor Azure voor strategische planning en governance. Dit framework zorgt ervoor dat uw analyseworkload overeenkomt met bedrijfsdoelen en nalevingsvereisten. Het bouwt ook voort op het relatief eenvoudige framework dat u in de TDSP gebruikt. De functies van het Cloud Adoption Framework zijn onder andere:
Strategische planning: biedt strategische richtlijnen om cloudimplementatie af te stemmen op bedrijfsdoelstellingen. Strategische planning betekent dat u analyseworkloads ontwerpt om te voldoen aan de doelstellingen van de organisatie.
Governance en naleving: biedt frameworks voor governance en naleving. Governance- en nalevingsframeworks zorgen ervoor dat gegevensverwerkings- en analyseworkloads voldoen aan wettelijke vereisten en organisatiebeleid.
Migratie en modernisering: begeleidt de migratie van bestaande analyseworkloads naar Azure om minimale onderbrekingen en optimale prestaties in de nieuwe omgeving te garanderen.
Beheer en bewerkingen: geeft een overzicht van aanbevolen procedures voor het beheren en gebruiken van cloudresources, waarmee efficiënte en betrouwbare analyseworkloads worden gegarandeerd.
Optimalisatie: biedt hulpprogramma's en methodologieën voor het continu optimaliseren van workloads. Optimalisatie betekent dat u resources efficiënt gebruikt en kosten effectief beheert.
Ontwikkeling en samenwerking: Gebruik Azure Synapse Analytics om analyseoplossingen te ontwikkelen, te testen en te implementeren en een samenwerkingsomgeving te bieden voor gegevenswetenschappers en technici. U wordt aangeraden het Azure Synapse Analytics-platform te gebruiken om big data te verwerken, zoals één terabyte en meer, en voor modellering van machine learning en kunstmatige intelligentie (AI). Functies van Azure Synapse Analytics zijn onder andere:
Geïntegreerde ervaring: biedt een uniforme ervaring voor het opnemen, voorbereiden, beheren en leveren van gegevens voor onmiddellijke business intelligence- en machine learning-behoeften.
Gegevensintegratie: integreert naadloos met verschillende gegevensbronnen, waardoor uitgebreide mogelijkheden voor gegevensopname en gegevensverwerking mogelijk zijn.
Big data en datawarehousing: combineert mogelijkheden voor big data en datawarehousing, waarmee u complexe query's op grote gegevenssets efficiënt kunt uitvoeren.
Schaalbaarheid: schaalt rekenresources op basis van de workloadvereisten, waardoor u verschillende gegevensverwerkingsbelastingen effectief kunt verwerken.
Samenwerking: vereenvoudigt samenwerking binnen data science-teams door gedeelde werkruimten en geïntegreerde ontwikkelomgevingen (IDE's) te bieden.
Analyse: ondersteunt geavanceerde analyses en machine learning met ingebouwde integratie voor services zoals Machine Learning en Power BI.
Bewaking en optimalisatie: Gebruik Azure Monitor om prestaties bij te houden, problemen te identificeren en de analyseworkload te optimaliseren. Azure Monitor helpt bij hoge beschikbaarheid en betrouwbaarheid. De volgende functies van Azure Monitor zijn:
Gegevensverzameling: verzamelt metrische gegevens en logboeken uit verschillende bronnen, waaronder Azure-resources, toepassingen en het besturingssysteem.
Bewaking: Biedt inzicht in de prestaties en status van uw analyseworkloads door metrische gegevens zoals CPU-gebruik, geheugengebruik en doorvoer te bewaken.
Diagnostische gegevens: helpt bij het identificeren van problemen en afwijkingen in uw pijplijnen en workloads voor gegevensverwerking via diagnostische logboeken en activiteitenlogboeken.
Waarschuwingen: hiermee configureert u waarschuwingen op basis van specifieke metrische gegevens of logboekgegevens en ontvangt u onmiddellijk een melding over mogelijke problemen die van invloed kunnen zijn op de prestaties of betrouwbaarheid van uw analyseworkloads.
Visualisatie: biedt aanpasbare dashboards en werkmappen om gegevens te visualiseren, zodat u trends en patronen in uw workloadprestaties kunt begrijpen.
De TDSP-levenscyclus gebruiken
Gebruik de TDSP-levenscyclus om de ontwikkeling van uw data science-projecten te structuren.
Gestructureerde aanpak: biedt een gestructureerd framework voor het uitvoeren van data science-projecten en bevordert een systematische en gedisciplineerde benadering.
Samenwerking: bevordert de samenwerking tussen teamleden door duidelijke rollen en verantwoordelijkheden te definiëren.
Best practices: bevat best practices voor de branche en helpt u uw projecten efficiënt en effectief uit te voeren.
Integratie voor gegevenswetenschappers
De TDSP is een door peer beoordeeld architectuurframework dat gegevenswetenschappers een specifiek framework biedt voor het produceren van AI- en data science-modellen.
TDSP-overzicht introduceert de TDSP en de levenscyclus ervan.
TDSP-levenscyclus en belangrijke onderdelen bevatten informatie over de levenscyclusfasen en belangrijke onderdelen van de TDSP.
Azure Machine Learning gebruiken
Machine Learning gebruiken om machine learning-modellen te bouwen en te implementeren. Machine Learning is de belangrijkste aanbevolen Azure-resource voor elk van de vijf fasen van de TDSP-levenscyclus: Business Understanding, Data Acquisition and Understanding, Modeling, Deployment en Customer Acceptance. Functies van Machine Learning zijn onder andere:
Geavanceerde analyse: biedt krachtige hulpprogramma's en services voor het bouwen, trainen en implementeren van machine learning-modellen.
Schaalbaarheid: biedt schaalbare computingresources waarmee teams grote gegevenssets en complexe modellen kunnen verwerken.
Integratie: integreert goed met andere Azure-services en vereenvoudigt een naadloze werkstroom van gegevensopname tot implementatie.
Zo ondersteunt Machine Learning elke fase van de TDSP:
Inzicht in het bedrijf
In deze eerste fase helpt Machine Learning u inzicht te hebben in uw bedrijfsvereisten en de doelstellingen van uw data science-project te definiëren.
Projectwerkruimten: biedt projectwerkruimten waar teams kunnen samenwerken en documenten kunnen delen. Samenwerking helpt iedereen bij het afstemmen van de bedrijfsdoelstellingen.
Experimenttracking: ondersteunt documentatie en de mogelijkheid om de initiële hypothesen en metrische gegevens van uw bedrijf bij te houden die uw data science-project begeleiden.
Integratie met Azure DevOps: beheert projectwerkstromen, gebruikersverhalen en taken. Azure DevOps helpt bedrijfskennis toe te wijzen aan bruikbare items.
Gegevens verzamelen en begrijpen
In deze fase helpt Machine Learning u bij het verzamelen en verkennen van gegevens om inzicht te hebben in de structuur en relevantie van het bedrijfsprobleem.
Gegevensintegratie: Machine Learning kan naadloos worden geïntegreerd met Azure Data Lake, Azure SQL Database en andere gegevensservices, waardoor eenvoudige gegevensopname uit verschillende bronnen wordt vergemakkelijkt.
Gegevenslabels: ingebouwde hulpprogramma's voor gegevenslabels waarmee u aantekeningen kunt maken bij gegevenssets, wat handig is voor leermodellen onder supervisie.
Experimentele gegevensanalyse (EDA): Jupyter-notebooks en geïntegreerde Python/R-omgevingen in Machine Learning zorgen ervoor dat uitgebreide EDA gegevensdistributies begrijpt, patronen identificeert en afwijkingen detecteert.
Modellen maken
In deze fase bouwen en trainen gegevenswetenschappers machine learning-modellen om zakelijke problemen op te lossen.
Geautomatiseerde machine learning: selecteert automatisch de beste algoritmen en tunest hyperparameters die het ontwikkelingsproces van het model versnellen.
Aangepaste modellering: ondersteunt ontwikkeling van aangepaste modellen met behulp van populaire frameworks zoals TensorFlow, PyTorch en scikit-learn.
Experimenten en versiebeheer: ondersteunt het parallel uitvoeren van meerdere experimenten, het bijhouden van resultaten en versiebeheermodellen, waardoor het gemakkelijker is om het beste model te vergelijken en te selecteren.
Hyperparameterafstemming: optimaliseert modelprestaties met ingebouwde ondersteuning voor geautomatiseerde afstemming van hyperparameters.
Implementatie
In deze fase, nadat u uw model hebt ontwikkeld en gevalideerd, implementeert Machine Learning het voor gebruik in productieomgevingen.
Modelimplementatie: biedt verschillende implementatieopties, waaronder Azure Kubernetes Service (AKS) en edge-apparaten, die flexibele implementatiestrategieën mogelijk maken.
Eindpuntbeheer: biedt hulpprogramma's voor het beheren van eindpunten voor realtime- en batchvoorspellingen en helpt bij schaalbare en betrouwbare modelbediening.
Continue integratie en continue implementatie (CI/CD):integreert met Azure DevOps, waarmee CI/CD voor machine learning-modellen herhaalbare overgangen van ontwikkeling naar productie kunnen worden gemaakt.
Aanvaarding van de klant
In deze laatste fase richt u zich op het gebruik van Machine Learning om het geïmplementeerde model te laten voldoen aan de bedrijfsvereisten en waarde te leveren.
Modelbewaking: biedt uitgebreide bewakingsmogelijkheden om modelprestaties bij te houden, drift te detecteren en modellen nauwkeurig en relevant te houden in de loop van de tijd.
Feedbacklussen: ondersteunt het implementeren van feedbacklussen waarbij u voorspellingen gebruikt en beoordeelt om modellen opnieuw te trainen en continu de nauwkeurigheid en relevantie van het model te verbeteren.
Rapportage en visualisatie: integreert met notebooks, Power BI en andere visualisatiehulpprogramma's om dashboards en rapporten te maken en modelresultaten en inzichten te presenteren aan belanghebbenden.
Beveiliging en naleving: helpt modellen en gegevens compatibel te houden met wettelijke vereisten en biedt hulpprogramma's voor het beheren van uw gegevensprivacy en -beveiliging.
Inzicht in de basisbeginselen van gegevensoverdracht en gegevensopslag
Effectieve gegevensoverdracht en -opslag zijn essentiële basis voor het veilig beheren van grote hoeveelheden gegevens.
Gegevensbeheer: helpt u grote hoeveelheden gegevens op de meest effectieve, compatibele en efficiënte manier te beheren.
Toegankelijkheid: helpt gegevens gemakkelijk toegankelijk te maken voor teamleden en analytische hulpprogramma's, wat essentieel is voor samenwerking en realtime verwerking.
Naleving en beveiliging: helpt de gegevensverwerking te voldoen aan wettelijke en wettelijke vereisten en gevoelige gegevens te beschermen.
Gegevensoverdracht en gegevensopslag integreren binnen de TDSP
Azure heeft veel resources die u kunt gebruiken voor gegevensoverdracht en gegevensopslag. De volgende lijst bevat aanbevolen resources voor Azure-architecturen.
Opties voor Azure-gegevensoverdracht: bevat verschillende methoden en hulpprogramma's voor het efficiënt verplaatsen van gegevens naar en van Azure, die geschikt zijn voor verschillende gegevensbehoeften en gegevensgrootten.
Azure Data Box: draagt grootschalige bulkgegevens over naar Azure met behulp van een fysiek apparaat zonder gebruik te maken van internet. Er worden veilig terabytes aan gegevens overgedragen waarbij de netwerkbandbreedte beperkt is.
Azure Import/Export-service: ondersteunt het overdragen van grote hoeveelheden gegevens naar Azure door harde schijven rechtstreeks naar Azure-datacenters te verzenden. Deze service is handig voor initiële gegevensmigraties waarbij uploaden via een netwerk onpraktisch is.
Azure Data Factory: automatiseert en verwerkt gegevensoverdracht. Data Factory is een cloudservice voor gegevensintegratie waarmee gegevensverplaatsing en transformatie worden georganiseerd en geautomatiseerd. Het maakt complexe ETL-processen (extraheren, transformeren, laden) mogelijk en integreert gegevens uit verschillende bronnen in Azure voor analyse- en machine learning-taken.
Netwerkoverdracht: omvat snelle overdrachten op internet met behulp van Azure ExpressRoute. Netwerkoverdracht biedt een privéverbinding tussen de on-premises infrastructuur en Azure waarmee gegevens veilig en snel kunnen worden overgedragen.
Azure Database Migration Service: verwerkt de migratie van databases naar Azure om downtime te minimaliseren en gegevensintegriteit te ondersteunen. Database Migration Service is een volledig beheerde service die is ontworpen om naadloze migraties van meerdere databasebronnen naar Azure-gegevensplatformen mogelijk te maken met minimale downtime (of onlinemigraties). Het biedt de volgende voordelen:
Geautomatiseerde migratie: vereenvoudigt het migratieproces door geautomatiseerde werkstromen te bieden voor het verplaatsen van on-premises databases naar SQL Database, Azure Database for MySQL en Azure Database for PostgreSQL.
Continue replicatie: biedt ondersteuning voor continue gegevensreplicatie, wat minimale downtime mogelijk maakt en gegevens up-to-date houdt tijdens het migratieproces.
Compatibiliteit: ondersteunt compatibiliteitscontroles en beveelt optimalisaties aan voor de Azure-doelomgeving om de overgang naadloos en efficiënt te maken.
Evaluatiehulpprogramma's: biedt hulpprogramma's voor het beoordelen van de gereedheid van databases voor migratie om potentiële problemen te identificeren en aanbevelingen te doen om ze op te lossen.
Azure Storage: biedt schaalbare, veilige en duurzame opslagoplossingen die zijn afgestemd op verschillende typen gegevens en gebruiksvoorbeelden. De volgende opslagtypen worden ondersteund:
Blob Storage: slaat ongestructureerde gegevens op, zoals documenten, afbeeldingen, video's en back-ups. Het is ideaal voor gegevenswetenschappers die grote gegevenssets moeten opslaan voor machine learning-modellen.
Azure Data Lake Storage: verwerkt big data-analyses. Data Lake Storage biedt hiërarchische naamruimte en compatibiliteit met Hadoop, waardoor deze geschikt is voor grootschalige gegevensanalyseprojecten.
Azure Table Storage: Slaat NoSQL-sleutelwaarden op voor semi-gestructureerde gegevens en is geschikt voor toepassingen waarvoor een schemaloos ontwerp is vereist.
Azure Files-opslag: beheert bestandsshares in de cloud die u opent via een standaard SMB-protocol, wat handig is voor gedeelde opslagbehoeften.
Azure Queue Storage: biedt berichten tussen toepassingsonderdelen, wat handig is voor het loskoppelen en schalen van services.
Documentatie over gegevensbronnen opgeven
Transparantie van gegevens: Documentatie over gegevensbronnen biedt transparantie over waar gegevens vandaan komen, de kwaliteit en de beperkingen.
Reproduceerbaarheid: met de juiste documentatie kunnen andere teamleden of belanghebbenden het data science-proces begrijpen en reproduceren.
Gegevensintegratie: Gegevensintegratie betekent effectief integratie van verschillende gegevensbronnen door een duidelijk inzicht te bieden in de oorsprong en structuur van de gegevens.
Documentatie voor gegevensbronnen integreren in de TDSP
Azure heeft veel resources die u kunt gebruiken voor documentatie over gegevensbronnen, waaronder notebooks. De volgende lijst bevat aanbevolen resources voor Azure-architecturen.
Azure Data Catalog is een bedrijfsbrede metagegevenscatalogus waarmee gegevensassets eenvoudig kunnen worden gedetecteerd. Het helpt bij het documenteren van gegevensbronnen en hun kenmerken en biedt de volgende voordelen:
Metagegevensbeheer: hiermee kunnen gebruikers gegevensbronnen registreren en metagegevens toevoegen die beschrijvingen, tags en aantekeningen bevatten.
Gegevensbrondetectie: biedt een doorzoekbare catalogus voor gebruikers om de gegevensbronnen te vinden en te begrijpen die beschikbaar zijn binnen de organisatie.
Samenwerking: hiermee kunnen gebruikers inzichten en documentatie delen over gegevensbronnen, waardoor de samenwerking tussen teamleden wordt verbeterd.
Gegevensbroninformatie: extraheert en documenteert informatie over gegevensbronnen automatisch. Informatie die wordt geëxtraheerd, omvat schema's, tabellen, kolommen en relaties.
Azure Purview biedt een geïntegreerde service voor gegevensbeheer waarmee u gegevens in uw organisatie kunt beheren en beheren. Het biedt de volgende functionaliteit:
Gegevenstoewijzing en herkomst: helpt bij het documenteer de gegevensstroom en herkomst in verschillende systemen, wat een duidelijk overzicht biedt van waar gegevens vandaan komen en hoe deze worden getransformeerd.
Gegevenscatalogus: biedt een doorzoekbare gegevenscatalogus die is verrijkt met metagegevens en gegevensclassificaties, die vergelijkbaar is met Data Catalog in Azure.
Zakelijke woordenlijst: helpt bij het maken en onderhouden van een zakelijke woordenlijst om consistente terminologie te behouden en inzicht in de hele organisatie te bevorderen.
Inzichten en analyses: biedt inzicht in het gegevensgebruik en helpt bij het identificeren van problemen met gegevenskwaliteit, waardoor het documentatieproces wordt verbeterd.
Hulpprogramma's gebruiken voor analyseverwerking
Efficiëntie: De juiste hulpprogramma's voor analyseverwerking verbeteren de efficiëntie en snelheid van gegevensanalyse.
Mogelijkheden: Verschillende hulpprogramma's bieden verschillende mogelijkheden, zoals gegevensvisualisatie, statistische analyse en machine learning, die essentieel zijn voor uitgebreide gegevenswetenschap.
Productiviteit: Gespecialiseerde hulpprogramma's kunnen de productiviteit voor gegevenswetenschappers aanzienlijk verbeteren door terugkerende taken te automatiseren en geavanceerde analytische functies te bieden.
Analyseverwerking integreren binnen de TDSP
Azure heeft veel services die u kunt gebruiken voor analyseverwerking, met Machine Learning als de primaire aanbevolen service. De volgende lijst bevat aanbevolen services voor Azure-architecturen waarvoor functies nodig zijn buiten Machine Learning.
Met Azure Synapse Analytics kunt u enorme hoeveelheden relationele gegevens en niet-relationele gegevens verwerken. Het is een geïntegreerde analyseservice waarmee u sneller inzicht krijgt in datawarehouses en big data-systemen. Azure Synapse Analytics biedt de volgende functionaliteit:
Gegevensintegratie: integreert gegevens uit verschillende bronnen die naadloze gegevensopname en gegevensverwerking mogelijk maken.
SQL Data Warehouse: biedt mogelijkheden voor datawarehousing voor ondernemingen met query's met hoge prestaties.
Apache Spark: biedt Spark-pools voor verwerking van big data die ondersteuning biedt voor grootschalige gegevensanalyse en machine learning.
Synapse Studio: hiermee kunnen gegevenswetenschappers gezamenlijk end-to-end analyseoplossingen bouwen. Synapse Studio is een IDE (Integrated Development Environment).
Azure Databricks is een op Apache Spark gebaseerd analyseplatform dat is geoptimaliseerd voor Azure en de volgende functies biedt:
Notebooks voor samenwerking: ondersteunt samenwerkingswerkruimten waar gegevenswetenschappers code kunnen schrijven, experimenten kunnen uitvoeren en resultaten kunnen delen.
Schaalbaar rekenproces: schaalt rekenresources automatisch op basis van de workloadvereisten en optimaliseert kosten en prestaties.
Machine learning: biedt ingebouwde bibliotheken voor machine learning, waaronder MLlib, TensorFlow en Keras, om de ontwikkeling en training van modellen te stroomlijnen.
Data Factory: organiseert gegevensverplaatsing en -transformatie via de cloudservice voor gegevensintegratie. Data Factory ondersteunt de volgende functionaliteit:
ETL-pijplijnen: hiermee kunt u ETL-pijplijnen maken (extraheren, transformeren, laden) om gegevens te verwerken en voor te bereiden op analyse.
Gegevensstroom: biedt het ontwerpen van visuele gegevensstromen om processen voor gegevenstransformatie te ontwerpen en uit te voeren zonder code te schrijven.
Integratie: Maakt verbinding met een breed scala aan gegevensbronnen, waaronder on-premises en cloudgegevensarchieven. Deze functie biedt uitgebreide gegevensintegratie.
Azure Stream Analytics verwerkt snel bewegende gegevensstromen. Stream Analytics is een realtime analyseservice die de volgende functies biedt:
Stroomverwerking: verwerkt gegevens uit verschillende bronnen, zoals IoT-apparaten, sensoren en toepassingen in realtime.
Query's op basis van SQL: maakt gebruik van een vertrouwde sql-taal voor het definiëren van logica voor stroomverwerking om deze toegankelijk te maken voor gegevenswetenschappers.
Integratie: integreert met andere Azure-services, zoals Event Hubs en IoT Hub, voor naadloze gegevensopname en -verwerking.
Samenvatting
Deze opeenvolgende lijst helpt u uitgebreid voor te bereiden op het gebruik van de TDSP:
Maak een duidelijk inzicht in de projectvereisten en het bereik.
Gebruik een gestructureerde en gezamenlijke benadering voor projectuitvoering.
Gebruik geavanceerde hulpprogramma's en services voor machine learning en analyses.
Zorg voor efficiënt en veilig gegevensbeheer.
Transparantie en reproduceerbaarheid behouden via documentatie.
Gebruik de juiste hulpmiddelen om de efficiëntie en effectiviteit van gegevensverwerking te verbeteren.
Voorbereiding is essentieel voor het leveren van succesvolle data science-projecten die voldoen aan bedrijfsdoelstellingen en voldoen aan best practices.
Trainingstrajecten in Microsoft Learn
Of u nu net aan een carrière begint, of u bent een ervaren professional, onze zelfgestuurde aanpak helpt u sneller bij uw doelen te komen, met meer vertrouwen en in uw eigen tempo. Ontwikkel vaardigheden via interactieve modules en paden of leer van een docent. Leer en breid je weg uit.
Microsoft Learn organiseert de trainingsinhoud in drie vaardigheidsniveaus: beginners, gevorderden en gevorderden. Het begrijpen van deze verschillen is essentieel voor het selecteren van de juiste leertrajecten die overeenkomen met uw vaardigheidsniveau en carrièredoelen.
Beginner
- Doelgroep: Personen die niet bekend zijn met de technologie of concepten die worden behandeld.
- Inhoud: Basisinformatie over de concepten, fundamentele vaardigheden en initiële stappen die nodig zijn om aan de slag te gaan. Het omvat doorgaans kernprincipes en fundamentele kennis.
Doel:
- Een solide basis bouwen in een nieuw gebied
- Help cursisten om basisconcepten en terminologie te begrijpen
- Cursisten voorbereiden op complexere artikelen
Leertrajecten voor beginners
- Verken Copilot-fundamenten.
- Modellen implementeren en gebruiken met Machine Learning.
- Een machine learning-oplossing ontwerpen.
- Experimenteer met Machine Learning.
- De Machine Learning-werkruimte verkennen en configureren.
- Implementeer een data science- en machine learning-oplossing voor AI in Microsoft Fabric.
- Modellen beheren en controleren in Machine Learning.
- Modeltraining optimaliseren met Machine Learning.
- Raketlanceervertragingen voorspellen met Machine Learning.
- Een machine learning-model trainen en beheren met Machine Learning.
- Modellen trainen met scripts in Machine Learning.
- Informatie over gegevenswetenschap voor Machine Learning.
- Gebruik notebooks voor experimenten in Machine Learning.
- Werken met rekenkracht in Machine Learning.
- Werken met gegevens in Machine Learning.
Gevorderd
- Doelgroep: Individuen die een basiskennis van de technologie hebben en hun kennis willen verdiepen.
- Inhoud: Gedetailleerdere en praktische vaardigheden, waaronder praktijkoefeningen en praktijkscenario's. Het vereist een diepere bespreking van het onderwerp.
Doel:
- De kloof tussen basiskennis en geavanceerde bekwaamheid overbruggen
- Leerders in staat stellen complexere taken en scenario's af te handelen
- Cursisten voorbereiden op certificeringsexamens of gespecialiseerde rollen
Tussenliggende leertrajecten
- Aangepaste copiloten maken met Azure AI Foundry.
- Machine Learning-modellen maken.
- Ontwikkel aangepaste objectdetectiemodellen met NVIDIA en Machine Learning.
- End-to-end machine learning-bewerkingen (MLOps) bouwen met Machine Learning.
- Implementeer een Machine Learning-oplossing met Azure Databricks.
- Train modellen in Machine Learning met de CLI (v2).
- Werken met generatieve AI-modellen in Machine Learning.
Geavanceerd
- Doelgroep: ervaren professionals die hun vaardigheden willen perfectioneren en complexe taken op hoog niveau willen aanpakken.
- Inhoud: Diepgaande technische training, geavanceerde technieken en uitgebreide dekking van gespecialiseerde onderwerpen. Het omvat vaak probleemoplossings- en optimalisatiestrategieën op expertniveau.
Doel:
- Geef expertise op een specifiek gebied
- Cursisten voorbereiden op certificeringen op expertniveau en geavanceerde carrièrerollen
- Leerlingen in staat stellen projecten te leiden en te innoveren binnen hun vakgebied
Leertraject expert
Medewerkers
Dit artikel wordt onderhouden door Microsoft. De tekst is oorspronkelijk geschreven door de volgende Inzenders.
Hoofdauteur:
- Mark Tabladillo | Senior Cloud Solution Architect
Als u niet-openbare LinkedIn-profielen wilt zien, meldt u zich aan bij LinkedIn.
Volgende stappen
Ga door met uw AI-traject in de AI-leerhub.