Processo de Ciência de Dados de Equipe para cientistas de dados

Este artigo contém orientações e treinamentos sobre os objetivos a serem definidos quando você implementa soluções de ciência de dados abrangentes com tecnologias do Azure.

Objetivos para cientistas de dados

Esta lista descreve os principais objetivos dos cientistas de dados que usam o TDSP (Processo de Ciência de Dados de Equipe):

• Compreender uma carga de trabalho de análise.
• Usar o ciclo de vida do TDSP.
• Usar o Azure Machine Learning.
• Compreender os fundamentos de transferência e armazenamento de dados.
• Fornecer a documentação da fonte de dados.
• Usar ferramentas para processamento de análise.

Estes objetivos são cruciais para a preparação para a utilização do TDSP. O TDSP descreve uma abordagem abrangente para gerenciar e lançar projetos de ciência de dados com eficiência. Este artigo descreve a importância de cada objetivo e contém links para os recursos relevantes do Azure.

Compreender uma carga de trabalho de análise

• Identificar requisitos: esta etapa descreve as necessidades e metas específicas da carga de trabalho de análise. Ela ajuda a identificar as perguntas de negócios a serem respondidas e os problemas a serem resolvidos.

• Definir o escopo: esta etapa define claramente o escopo do projeto para ajudar a equipe a se concentrar nas tarefas relevantes de dados e análises.

• Alocar recursos: esta etapa inclui a análise da carga de trabalho para identificar os recursos necessários, como poder de computação, armazenamento e conhecimentos humanos.

Integração no TDSP

O Azure tem muitos recursos que você pode usar para cargas de trabalho de análise. A lista a seguir mostra recursos recomendados em arquiteturas do Azure.

• Planejamento e execução: use o Cloud Adoption Framework para Azure na governança e no planejamento estratégico. Essa estrutura garante que sua carga de trabalho de análise esteja alinhada às metas de negócios e aos requisitos de conformidade. Ela também se baseia na estrutura comparativamente simples que você usa no TDSP. Os recursos do Cloud Adoption Framework incluem:

  • Planejamento estratégico: fornece orientação estratégica para alinhar a adoção da nuvem com os objetivos de negócios. O planejamento estratégico significa que você cria cargas de trabalho de análise para atender às metas organizacionais.

  • Governança e conformidade: fornece estruturas para governança e conformidade. As estruturas de governança e conformidade fazem com que as cargas de trabalho de processamento e análise de dados cumpram os requisitos regulatórios e as políticas organizacionais.

  • Migração e modernização: orienta a migração de cargas de trabalho de análise existentes para o Azure, ajudando a garantir uma interrupção mínima e o desempenho ideal no novo ambiente.

  • Gerenciamento e operações: descreve as práticas recomendadas para gerenciar e operar recursos de nuvem, o que ajuda a garantir operações de cargas de trabalho de análise eficientes e confiáveis.

  • Otimização: fornece ferramentas e metodologias para otimizar continuamente as cargas de trabalho. Otimização significa que você usa recursos de forma eficiente e gerencia os custos de forma eficaz.

• Desenvolvimento e colaboração: use o Azure Synapse Analytics para desenvolver, testar e implantar soluções de análise e fornecer um ambiente colaborativo para cientistas e engenheiros de dados. Recomendamos que você use a plataforma Azure Synapse Analytics para lidar com Big Data, por exemplo, um terabyte ou mais, e para modelagem de aprendizado de máquina e IA (inteligência artificial). Os recursos do Azure Synapse Analytics incluem:

  • Experiência unificada: proporciona uma experiência unificada para ingerir, preparar, gerenciar e fornecer dados para atender às necessidades imediatas de business intelligence e de aprendizado de máquina.

  • Integração de dados: integra-se perfeitamente a várias fontes de dados, o que permite recursos abrangentes de ingestão e processamento de dados.

  • Big data e armazenamento de dados: combina recursos de big data e armazenamento de dados, o que permite executar consultas complexas em grandes conjuntos de dados com eficiência.

  • Escalabilidade: dimensiona os recursos computacionais com base nas demandas de carga de trabalho, o que garante que você possa lidar com cargas variáveis de processamento de dados de forma eficaz.

  • Colaboração: facilita a colaboração entre as equipes de ciência de dados, fornecendo espaços de trabalho compartilhados e ambientes de desenvolvimento integrados (IDEs).

  • Análise: dá suporte a análises avançadas e aprendizado de máquina com integração para serviços como Machine Learning e Power BI.

• Monitoramento e otimização: use o Azure Monitor para acompanhar o desempenho, identificar problemas e otimizar a carga de trabalho de análise. O Azure Monitor ajuda com alta disponibilidade e confiabilidade. Os recursos do Azure Monitor incluem:

  • Coleta de dados: reúne métricas e logs de várias fontes, incluindo recursos, aplicativos e o sistema operacional do Azure.

  • Monitoramento: fornece insights sobre o desempenho e a integridade de suas cargas de trabalho de análise, monitorando métricas como uso de CPU, uso de memória e taxa de transferência.

  • Diagnóstico: ajuda a identificar problemas e anomalias em seus pipelines de processamento de dados e cargas de trabalho por meio de logs de diagnóstico e de atividades.

  • Alertas: configura alertas com base em métricas específicas ou dados de log e notifica você imediatamente sobre possíveis problemas que podem afetar o desempenho ou a confiabilidade das suas cargas de trabalho de análise.

  • Visualização: fornece painéis e pastas de trabalho personalizáveis para visualizar dados, o que ajuda a entender tendências e padrões no desempenho da carga de trabalho.

Usar o ciclo de vida do TDSP

Use o ciclo de vida do TDSP para estruturar o desenvolvimento dos seus projetos de ciência de dados.

• Abordagem estruturada: fornece uma estrutura para a execução de projetos de ciência de dados e promove uma abordagem sistemática e disciplinada.

• Colaboração: promove a colaboração entre os membros da equipe, definindo funções e responsabilidades claras.

• Práticas recomendadas: incorpora as práticas recomendadas do setor e ajuda você a conduzir seus projetos com eficiência.

Integração para cientistas de dados

O TDSP é uma estrutura arquitetônica revisada por pares que fornece aos cientistas de dados uma estrutura específica para produzir modelos de IA e ciência de dados.

• A visão geral do TDSP apresenta o TDSP e seu ciclo de vida.

• O ciclo de vida e os principais componentes do TDSP detalham os estágios do ciclo de vida e os principais componentes do TDSP.

Usar o Azure Machine Learning

Use o Machine Learning para compilar e implantar modelos de aprendizado de máquina. O Machine Learning é o principal recurso recomendado do Azure para cada um dos cinco estágios do ciclo de vida do TDSP: Noções básicas sobre negócios, Aquisição de dados e entendimento, Modelagem, Implantação e Aceitação do cliente. Os recursos do Machine Learning incluem:

• Análise avançada: fornece ferramentas e serviços eficientes para criar, treinar e implantar modelos de aprendizado de máquina.

• Escalabilidade: fornece recursos de computação escaláveis que permitem que as equipes gerenciem grandes conjuntos de dados e modelos complexos.

• Integração: integra-se bem a outros serviços do Azure e facilita um fluxo de trabalho contínuo, desde a ingestão de dados até a implantação.

Veja como o Machine Learning dá suporte a cada estágio do TDSP:

Noções básicas sobre negócios

Nesse estágio inicial, o Machine Learning ajuda você a entender seus requisitos de negócios e definir os objetivos do seu projeto de ciência de dados.

• Espaços de trabalho do projeto: fornece espaços de trabalho para projetos, onde as equipes podem colaborar e compartilhar documentos. A colaboração ajuda todos a se alinharem com os objetivos de negócios.

• Acompanhamento de experimentos: oferece suporte à documentação e à capacidade de rastrear as hipóteses iniciais e as métricas de negócios que orientam seu projeto de ciência de dados.

• Integração com o Azure DevOps: gerencia fluxos de trabalho de projetos, histórias de usuários e tarefas. O Azure DevOps ajuda a mapear a compreensão de negócios para itens acionáveis.

Aquisição de dados e entendimento

Nesta etapa, o Machine Learning ajuda você a coletar e explorar dados para entender sua estrutura e relevância para o problema de negócios.

• Integração de dados: o Machine Learning se integra perfeitamente ao Azure Data Lake, ao Banco de Dados SQL do Azure e a outros serviços de dados, facilitando a ingestão de dados de várias fontes.

• Rotulagem de dados: ferramentas integradas de rotulagem de dados que ajudam a anotar conjuntos de dados, o que é útil para modelos de aprendizado supervisionado.

• Análise exploratória de dados (EDA): notebooks Jupyter e ambientes Python/R integrados no Machine Learning permitem que o EDA completo entenda as distribuições de dados, identifique padrões e detecte anomalias.

Modelagem

Nesse estágio, os cientistas de dados criam e treinam modelos de aprendizado de máquina para resolver problemas de negócios.

• Machine learning automatizado: seleciona os melhores algoritmos automaticamente e ajusta hiperparâmetros que aceleram o processo de desenvolvimento de modelos.

• Modelagem personalizada: dá suporte ao desenvolvimento de modelos personalizados usando estruturas populares como TensorFlow, PyTorch e Scikit-learn.

• Experimentação e controle de versão: dá suporte à execução de vários experimentos em paralelo, acompanhamento de resultados e modelos de controle de versão, o que facilita a comparação e a seleção do melhor modelo.

• Ajuste de hiperparâmetro: otimiza o desempenho do modelo com suporte integrado para ajuste automatizado de hiperparâmetros.

Implantação

Nesse estágio, depois de desenvolver e validar seu modelo, o Machine Learning o implanta para uso em ambientes de produção.

• Implantação de modelo: fornece várias opções de implantação, incluindo AKS (Serviço de Kubernetes do Azure) e dispositivos de borda, que permitem estratégias de implantação flexíveis.

• Gerenciamento de ponto de extremidade: fornece ferramentas para gerenciar pontos de extremidade para previsões em tempo real e em lote e ajuda no serviço de modelos escalonáveis e confiáveis.

• Integração contínua e implantação contínua (CI/CD): integra-se ao Azure DevOps, que permite que a CI/CD para modelos de aprendizado de máquina crie transições repetíveis do desenvolvimento à produção.

Aceitação do cliente

Neste estágio final, seu foco está no uso do Machine Learning para fazer com que o modelo implantado atenda aos requisitos de negócios e agregue valor.

• Monitoramento de modelos: fornece recursos de monitoramento abrangentes para rastrear o desempenho do modelo, detectar descompassos e manter os modelos precisos e relevantes ao longo do tempo.

• Loops de feedback: dá suporte à implementação de loops de feedback em que você usa e revisa previsões para treinar novamente modelos e melhorar continuamente a precisão e a relevância do modelo.

• Relatórios e visualização: integra-se a notebooks, ao Power BI e a outras ferramentas de visualização para criar painéis e relatórios e apresentar resultados e insights do modelo aos stakeholders.

• Segurança e conformidade: ajuda a manter os modelos e dados em conformidade com os requisitos regulamentares e fornece ferramentas para gerenciar a privacidade e a segurança dos dados.

Compreender os fundamentos de transferência e armazenamento de dados

A transferência e o armazenamento eficazes de dados são bases essenciais para o gerenciamento seguro de grandes volumes de dados.

• Gerenciamento de dados: ajuda você a gerenciar grandes volumes de dados da maneira mais eficaz, compatível e eficiente.

• Acessibilidade: ajuda a tornar os dados facilmente acessíveis aos membros da equipe e ferramentas analíticas, o que é essencial para colaboração e processamento em tempo real.

• Conformidade e segurança: ajuda o tratamento de dados a cumprir os requisitos legais e regulamentares e protege os dados confidenciais.

Integre a transferência e o armazenamento de dados no TDSP

O Azure tem muitos recursos que você pode usar para transferência e armazenamento de dados. A lista a seguir mostra recursos recomendados para arquiteturas do Azure.

Opções de transferência de dados do Azure: inclui vários métodos e ferramentas para mover dados de e para o Azure com eficiência, o que acomoda diferentes necessidades e tamanhos de dados.

• Azure Data Box: transfere dados em massa em grande escala para o Azure usando um dispositivo físico sem depender da Internet. Ele transfere com segurança terabytes de dados em que a largura de banda da rede é limitada.

• Serviço de importação/exportação do Azure: dá suporte à transferência de grandes quantidades de dados para o Azure enviando discos rígidos diretamente para os data centers do Azure. Esse serviço é útil para migrações iniciais de dados em que o upload por meio de uma rede é impraticável.

• Azure Data Factory: automatiza e lida com a transferência de dados. O Data Factory é um serviço de integração de dados baseado em nuvem que automatiza a movimentação e a transformação dos dados. Ele permite processos complexos de ETL (extração, transformação, carregamento) e integra dados de várias fontes no Azure para tarefas de análise e aprendizado de máquina.

• Transferência de rede: inclui transferências de alta velocidade baseadas na Internet usando o Azure ExpressRoute. A transferência de rede fornece uma conexão privada entre a infraestrutura local e o Azure que ajuda a transferir dados com segurança e rapidez.

Serviço de Migração de Banco de Dados do Azure: lida com a migração de bancos de dados para o Azure para minimizar o tempo de inatividade e dar suporte à integridade dos dados. O Serviço de Migração de Banco de Dados é um serviço totalmente gerenciado projetado para permitir migrações coesas de várias fontes de banco de dados para as plataformas de dados do Azure com tempo de inatividade mínimo (ou migrações online). Proporciona os seguintes benefícios:

• Migração automatizada: simplifica o processo de migração fornecendo fluxos de trabalho automatizados para mover bancos de dados locais para o Banco de Dados SQL, o Banco de Dados do Azure para MySQL e o Banco de Dados do Azure para PostgreSQL.

• Replicação contínua: oferece suporte à replicação contínua de dados, o que permite um tempo de inatividade mínimo e mantém os dados atualizados durante o processo de migração.

• Compatibilidade: dá suporte a verificações de compatibilidade e recomenda otimizações para o ambiente de destino do Azure para tornar a transição perfeita e eficiente.

• Ferramentas de avaliação: fornece ferramentas para avaliar a preparação dos bancos de dados para migração de modo a identificar possíveis problemas e oferecer recomendações para resolvê-los.

Armazenamento do Azure: fornece soluções de armazenamento escalonáveis, seguras e duráveis adaptadas para diferentes tipos de dados e casos de uso. Há suporte para os tipos de armazenamento a seguir:

• Armazenamento de Blobs: armazena dados não estruturados, como documentos, imagens, vídeos e backups. É ideal para cientistas de dados que precisam armazenar grandes conjuntos de dados para modelos de aprendizado de máquina.

• Azure Data Lake Storage: gerencia análises de Big Data. O Data Lake Storage fornece namespace hierárquico e compatibilidade com o Hadoop, o que o torna adequado para projetos de análise de dados em grande escala.

• Armazenamento de Tabelas do Azure: armazena valores-chave NoSQL para dados semiestruturados e é adequado para aplicativos que exigem um design sem esquema.

• Armazenamento de Arquivos do Azure: gerencia compartilhamentos de arquivos na nuvem que você acessa por meio do protocolo SMB padrão, que é útil para necessidades de armazenamento compartilhado.

• Armazenamento de Filas do Azure: fornece mensagens entre componentes do aplicativo, o que é útil para desacoplar e dimensionar serviços.

Fornecer a documentação da fonte de dados

• Transparência de dados: a documentação sobre fontes de dados fornece transparência sobre a origem dos dados, sua qualidade e suas limitações.

• Reprodutibilidade: a documentação adequada ajuda outros membros da equipe ou stakeholders a entender e reproduzir o processo de ciência de dados.

• Integração de dados: a integração de dados significa integrar efetivamente várias fontes de dados, fornecendo uma compreensão clara da origem e da estrutura dos dados.

Integrar a documentação da fonte de dados no TDSP

O Azure tem muitos recursos que você pode usar para documentação de fonte de dados, incluindo notebooks. A lista a seguir mostra recursos recomendados para arquiteturas do Azure.

O Catálogo de Dados do Azure é um catálogo de metadados de toda a empresa que facilita a descoberta de ativos de dados. Ele ajuda a documentar fontes de dados e suas características e oferece os seguintes benefícios:

• Gerenciamento de metadados: permite que os usuários registrem fontes de dados e adicionem metadados que incluem descrições, marcas e anotações.

• Descoberta de fonte de dados: fornece um catálogo pesquisável para que os usuários localizem e entendam as fontes de dados disponíveis na organização.

• Colaboração: permite que os usuários compartilhem insights e documentação sobre fontes de dados, o que melhora a colaboração entre os membros da equipe.

• Informações da fonte de dados: extrai e documenta informações sobre fontes de dados automaticamente. As informações extraídas incluem esquemas, tabelas, colunas e relações.

O Azure Purview fornece um serviço de governança de dados unificado que ajuda a gerenciar e controlar dados em toda a organização. Ele fornece as seguintes funcionalidades:

• Mapeamento e linhagem de dados: ajuda a documentar o fluxo de dados e a linhagem em diferentes sistemas, o que fornece uma visão clara de onde os dados vêm e como eles se transformam.

• Catálogo de dados: fornece um catálogo de dados pesquisável enriquecido com metadados e classificações de dados, semelhante ao Catálogo de Dados no Azure.

• Glossário de negócios: ajuda a criar e manter um glossário de negócios para manter a terminologia consistente e promover a compreensão em toda a organização.

• Insights e análises: fornece insights sobre o uso dos dados e ajuda a identificar problemas de qualidade deles, o que melhora o processo de documentação.

Usar ferramentas para processamento de análise

• Eficiência: as ferramentas certas para processamento analítico aumentam a eficiência e a velocidade da análise de dados.

• Funcionalidades: diversas ferramentas oferecem vários recursos, como visualização de dados, análise estatística e aprendizado de máquina, que são essenciais para uma ciência de dados abrangente.

• Produtividade: ferramentas especializadas podem melhorar significativamente a produtividade dos cientistas de dados, automatizando tarefas repetitivas e fornecendo funções analíticas avançadas.

Integrar o processamento analítico no TDSP

O Azure tem muitos serviços que você pode usar para processamento de análise, com o Machine Learning como o principal serviço recomendado. A lista a seguir fornece serviços recomendados para arquiteturas do Azure que exigem recursos além do Machine Learning.

O Azure Synapse Analytics permite processar grandes volumes de dados relacionais e não relacionais. Ele é um serviço de análise integrado que agiliza o processo de obtenção de insights em sistemas de data warehouses e big data. O Azure Synapse Analytics fornece a seguinte funcionalidade:

• Integração de dados: integra dados de várias fontes que permitem a ingestão e o processamento de dados contínuos.

• SQL Data Warehouse: fornece recursos de armazenamento de dados corporativos com consultas de alto desempenho.

• Apache Spark: fornece pools do Spark para processamento de Big Data que dão suporte à análise de dados em grande escala e aprendizado de máquina.

• Synapse Studio: permite que os cientistas de dados criem soluções de análise de ponta a ponta de forma colaborativa. O Synapse Studio é um IDE (ambiente de desenvolvimento integrado).

O Azure Databricks é uma plataforma de análise baseada no Apache Spark otimizada para o Azure que fornece os seguintes recursos:

• Notebooks colaborativos: dão suporte a espaços de trabalho colaborativos em que os cientistas de dados podem escrever códigos, executar experimentos e compartilhar resultados.

• Computação escalável: dimensiona os recursos de computação automaticamente com base nas demandas da carga de trabalho e otimiza o custo e o desempenho.

• Machine Learning: fornece bibliotecas integradas para aprendizado de máquina, incluindo MLlib, TensorFlow e Keras, para simplificar o desenvolvimento e o treinamento de modelos.

Data Factory: coordena a transformação e a movimentação de dados por meio de seu serviço de integração de dados baseado em nuvem. O Data Factory dá suporte às seguintes funcionalidades:

• Pipelines ETL: permite criar pipelines ETL (extrair, transformar, carregar) para processar e preparar dados para análise.

• Fluxo de dados: permite a criação de fluxos de dados visuais para projetar e executar processos de transformação de dados sem escrever código.

• Integração: conecta-se a uma ampla variedade de fontes de dados, incluindo armazenamentos de dados locais e baseados em nuvem. Essa função proporciona uma integração de dados abrangente.

O Azure Stream Analytics processa fluxos de dados rápidos. O Stream Analytics é um serviço de análise em tempo real que fornece os seguintes recursos:

• Processamento de fluxo: processa dados de várias fontes, como dispositivos IoT, sensores e aplicativos em tempo real.

• Consulta baseada em SQL: usa uma linguagem familiar baseada em SQL para definir a lógica de processamento de fluxo e torná-la acessível para cientistas de dados.

• Integração: integra-se a outros serviços do Azure, como Hubs de Eventos e Hub IoT, para ingestão e processamento de dados contínuos.

Resumo

Esta lista sequencial ajuda você a se preparar de forma abrangente para usar o TDSP:

1. Estabeleça uma compreensão clara dos requisitos e do escopo do projeto.

2. Adote uma abordagem estruturada e colaborativa da execução do projeto.

3. Use ferramentas e serviços avançados para aprendizado de máquina e análise.

4. Garanta um gerenciamento de dados eficiente e seguro.

5. Mantenha a transparência e a reprodutibilidade por meio de documentação.

6. Use ferramentas apropriadas para melhorar a eficiência e a eficácia do processamento de dados.

A preparação é crítica para entregar projetos de ciência de dados bem-sucedidos que atendam aos objetivos de negócios e sigam as práticas recomendadas.

Roteiros de treinamento no Microsoft Learn

Se você está apenas iniciando uma carreira ou é um profissional experiente, nossa abordagem autoguiada ajuda você a alcançar sua meta mais rapidamente, com mais confiança e no seu próprio ritmo. Desenvolva habilidades por meio de módulos e caminhos interativos ou aprenda com um instrutor. Aprenda e cresça do seu jeito.

O Microsoft Learn organiza seu conteúdo de treinamento em três níveis de habilidade: iniciante, intermediário e avançado. Entender essas distinções é essencial para selecionar os roteiros de aprendizado apropriados e correspondê-los ao seu nível de habilidade e objetivos de carreira.

Iniciante

• Público-alvo: indivíduos que são novos na tecnologia ou nos conceitos que estão sendo abordados.
• Conteúdo: introduções básicas aos conceitos, habilidades fundamentais e etapas iniciais necessários para começar. Normalmente abrange os princípios básicos e os conhecimentos fundamentais.

Finalidade:

• Crie uma base sólida em uma nova área
• Ajude os alunos a entender terminologias e conceitos básicos
• Prepare os alunos para artigos mais complexos

Roteiros de aprendizado para iniciantes

• Explorar as bases do Copilot.
• Implantar e consumir modelos com o Azure Machine Learning.
• Projetar uma solução de aprendizado de máquina.
• Experimentar o Machine Learning.
• Explorar e configurar o Workspace do Machine Learning.
• Implementar uma solução de ciência de dados e aprendizado de máquina para IA no Microsoft Fabric.
• Gerenciar e examinar modelos no Machine Learning.
• Otimizar o treinamento de modelos com o Machine Learning.
• Prever os atrasos de lançamento de foguete com o Machine Learning.
• Treinar e gerenciar um modelo de aprendizado de máquina com o Azure Machine Learning.
• Treinar modelos com scripts no Azure Machine Learning.
• Entender a ciência de dados do Machine Learning.
• Usar notebooks para experimentação no Machine Learning.
• Trabalhar com computação no Machine Learning.
• Trabalhar com dados no Machine Learning.

Intermediário

• Público-alvo: indivíduos que possuem uma compreensão básica da tecnologia e desejam aprofundar seus conhecimentos.
• Conteúdo: habilidades mais detalhadas e práticas, incluindo exercícios práticos e cenários reais. Requer um aprofundamento no assunto.

Finalidade:

• Preencher a lacuna entre o entendimento básico e a proficiência avançada
• Permitir que os alunos lidem com tarefas e cenários mais complexos
• Preparar os alunos para exames de certificação ou funções especializadas

Roteiros de aprendizado intermediários

• Criar copilotos personalizados com o Estúdio de IA do Azure.
• Criar modelos de machine learning.
• Desenvolver modelos de detecção de objetos personalizados com a NVIDIA e o Machine Learning.
• Crie MLOps (operações de aprendizado de máquina) de ponta a ponta com o Machine Learning.
• Implementar uma solução do Machine Learning com o Azure Databricks.
• Treinar modelos no Machine Learning com a CLI (v2).
• Trabalhar com modelos de IA generativa no Machine Learning.

Avançado

• Público-alvo: profissionais experientes que buscam aperfeiçoar suas habilidades e realizar tarefas complexas e de alto nível.
• Conteúdo: treinamentos técnicos aprofundados, técnicas avançadas e cobertura abrangente de assuntos especializados. Muitas vezes, inclui estratégias de otimização e solução de problemas de nível especializado.

Finalidade:

• Fornecer conhecimentos em uma área específica
• Preparar os alunos para certificações de nível especializado e funções de carreira avançadas
• Permitir que os alunos liderem projetos e inovem em seu campo

Roteiro de aprendizado especializado

• Treinar modelos com uso intensivo de computação com o Machine Learning

Colaboradores

Esse artigo é mantido pela Microsoft. Ele foi originalmente escrito pelos colaboradores a seguir.

Autor principal:

• Mark Tabladillo | Arquiteto de soluções de nuvem sênior

Para ver perfis não públicos do LinkedIn, entre no LinkedIn.

Próximas etapas

Continue sua jornada de IA no hub de aprendizado de IA.

Recursos relacionados

• Ciência de dados e machine learning com Azure Databricks
• O que é o Processo de Ciência de Dados de Equipe?