DP-100: Designing and Implementing a Data Science Solution on Azure

Interessados em criar e operar soluções de aprendizado de máquina na nuvem.

Recomendado realizar o curso DP-900: Fundamentos de Dados no Azure e AI-900: Fundamentos de IA no Azure ou possuir conhecimentos equivalentes.

Preparatório para o exame DP-100: Designing and Implementing a Data Science Solution on Azure, exigido na conquista da credencial MS Certified Azure Data Scientist Associate.

* O exame não está incluso na contratação.

1. Projetar uma solução de aprendizado de máquina

• Criar uma estratégia de ingestão de dados para projetos de aprendizado de máquina
• Identificar a fonte de dados e o formato
• Escolha como fornecer dados para fluxos de trabalho de aprendizado de máquina
• Criar uma solução de ingestão de dados

• Criar uma solução de treinamento de modelo de machine learning
• Identificar tarefas de aprendizado de máquina
• Escolher um serviço para treinar um modelo de machine learning
• Decidir entre opções de computação

• Criar uma solução de implantação de modelo
• Entender como o modelo será consumido
• Decidir sobre implantação em tempo real ou em lote

• Criar uma solução de operações de aprendizado de máquina
• Explorar uma arquitetura de MLOps
• Projetar para monitoramento
• Projetar para novo treinamento

2. Explorar o workspace do Azure Machine Learning

• Explorar recursos e ativos do workspace do Azure Machine Learning
• Criar um workspace do Azure Machine Learning
• Identificar recursos do Azure Machine Learning
• Identificar ativos do Azure Machine Learning
• Treinar modelos no workspace

• Explorar as ferramentas de desenvolvedor para interação com o workspace
• Explorar o estúdio
• Explorar o SDK do Python
• Explorar a CLI

3. Trabalhar com os dados no Azure Machine Learning

• Entender URIs
• Criar um repositório de dados
• Criar um ativo de dados

4. Trabalhar com computação no Azure Machine Learning

• Trabalhar com destinos de computação no Azure Machine Learning
• Escolher o destino de computação apropriado
• Criar e usar uma instância de computação
• Criar e usar um cluster de computação

• Trabalhar com ambientes no Azure Machine Learning
• Entender os ambientes
• Explorar e usar ambientes coletados
• Criar e usar ambientes personalizados

5. Automatizar a seleção do modelo de machine learning com o Azure Machine Learning

• Pré-processar dados e configurar a definição de recursos
• Executar um experimento de ML automatizado
• Avaliar e comparar modelos

6. Usar notebooks para experimentação no Azure Machine Learning

• Configurar o MLflow para acompanhamento de modelo em notebooks
• Treinar e acompanhar modelos em notebooks

7. Treinar modelos com scripts no Azure Machine Learning

• Executar um script de treinamento como um trabalho de comando no Azure Machine Learning
• Converter um notebook em um script
• Executar um script como um trabalho de comando
• Usar parâmetros em um trabalho de comando

• Acompanhar o treinamento de modelos com o MLflow em trabalhos
• Acompanhar métricas com o MLflow
• Exibir métricas e avaliar modelos

• Executar o ajuste de hiperparâmetro com o Azure Machine Learning
• Definir espaço de pesquisa
• Configurar um método de amostragem
• Configurar término antecipado
• Usar um trabalho de varredura para ajuste de hiperparâmetro

8. Otimizar o treinamento de modelo com pipelines no Azure Machine Learning

• Criar componentes
• Criar um pipeline
• Executar um trabalho de pipeline

9. Gerenciar e examinar modelos no Azure Machine Learning

• Registrar um modelo do MLflow no Azure Machine Learning
• Registrar modelos com o MLflow
• Entender o formato do modelo do MLflow
• Registrar um modelo MLflow

• Criar e explorar o painel de IA Responsável para um modelo no Azure Machine Learning
• Noções básicas sobre a IA responsável
• Criar o painel da IA Responsável
• Avaliar o painel de controle da IA responsável

10. Implantar e consumir modelos com o Azure Machine Learning

• Implantar um modelo em um ponto de extremidade online gerenciado
• Explorar pontos de extremidade online gerenciados
• Implantar um modelo do MLflow em um ponto de extremidade online gerenciado
• Implantar um modelo em um ponto de extremidade online gerenciado
• Testar pontos de extremidade online gerenciados

• Implantar um modelo em um ponto de extremidade em lote
• Entender e criar pontos de extremidade em lote
• Implantar seu modelo do MLflow em um ponto de extremidade em lote
• Implantar um modelo personalizado em um ponto de extremidade em lote
• Invocar e solucionar problemas de pontos de extremidade em lote

* os conteúdos podem sofrer alterações, visando melhorias e atualizações, sem prévio aviso

Ao contratar esse treinamento você ganhará a videoaula do curso DP-900: Fundamentos de Dados no Azure (8h).

Inclui: 

• Aulas ao vivo com Instrutor credenciado e laboratórios oficiais;
• Apostila digital oficial e certificado de participação;
• Acesso a nossa plataforma de ensino imersiva e interativa com: videoaulas para revisão, acompanhamento do seu progresso e avaliação das aulas;

– Se precisar faltar, não se preocupe, pois disponibilizamos a gravação da sua turma por 30 dias.

– Após a contratação, você já terá acesso aos conteúdos e videoaulas completas disponíveis na nossa plataforma. 

O prazo máximo é de 6 meses para realizar a totalidade dos cursos e exames adquiridos, contados a partir da contratação. Exceto a cortesia (videoaula) cujo prazo de acesso é de 30 dias.