DP-100: Designing and Implementing a data science solution on Azure (inkl. Exam Voucher)

Dieses Training vermittelt praxisnahe Kenntnisse in Datenwissenschaft und maschinellem Lernen, um ML-Workloads mit Azure Machine Learning umzusetzen. Teilnehmende planen und erstellen geeignete Arbeitsumgebungen, führen Datenexperimente durch, trainieren und optimieren Modelle und stellen diese produktiv bereit – ideal für den Einstieg in KI-Projekte mit Azure.
 
In diesem Training ist ein Exam Voucher enthalten.  
Jetzt beraten lassen

Physisch oder virtuell?

Nehmen Sie an einem unserer Standorte Frankfurt, München und Wien oder virtuell an unseren Klassenraumtrainings teil. Unter “Termin buchen” werden Ihnen alle Optionen angezeigt, zuerst sortiert nach Standort, dann nach Datum.

Dieses Training richtet sich an Datenwissenschaftler:innen mit bereits vorhandenen Kenntnissen über Python und Frameworks für maschinelles Lernen wie ScikitLearn, PyTorch und Tensorflow, die maschinelle Lernlösungen in der Cloud erstellen und betreiben wollen.
Erfolgreiche Azure Data Scientists haben zu Beginn ihrer Tätigkeit bereits fundierte Kenntnisse zu Cloud Computing-Konzepten und Erfahrung mit allgemeinen Tools und Techniken in den Bereichen Data Science und maschinelles Lernen. Dies gilt insbesondere in folgenden Fällen: Erstellen von Cloudressourcen in Microsoft Azure Verwenden von Python zum Untersuchen und Visualisieren von Daten Trainieren und Überprüfen von Machine Learning-Modellen mit gängigen Frameworks wie Scikit-Learn, PyTorch und TensorFlow 

Wichtige Information

Dieses Training behandelt prüfungsrelevante Themen zum Examen: Microsoft Certified: Azure Data Scientist Associate

Was werden Sie in diesem Training erlernen?

Einrichten eines Azure-Arbeitsbereichs für maschinelles Lernen, Experimente durchführen und Modelle trainieren, Modelle optimieren und verwalten, Modelle bereitstellen und verwenden.

Agenda

Explore and configure the Azure Machine Learning workspace
Explore Azure Machine Learning workspace resources and assets
Explore developer tools for workspace interaction
Make data available in Azure Machine Learning
Work with compute targets in Azure Machine Learning
Work with environments in Azure Machine Learning
Experiment with Azure Machine Learning
Find the best classification model with Automated Machine Learning
Track model training in Jupyter notebooks with MLflow
Optimize model training with Azure Machine Learning
Run a training script as a command job in Azure Machine Learning
Track model training with MLflow in jobs
Perform hyperparameter tuning with Azure Machine Learning
Run pipelines in Azure Machine Learning
Manage and review models in Azure Machine Learning
Register an MLflow model in Azure Machine Learning
Create and explore the Responsible AI dashboard for a model in Azure Machine Learning
Deploy and consume models with Azure Machine Learning
Deploy a model to a managed online endpoint
Deploy a model to a batch endpoint
Develop generative AI apps in Azure
Plan and prepare to develop AI solutions on Azure
Choose and deploy models from the model catalog in Azure AI Foundry portal
Develop an AI app with the Azure AI Foundry SDK
Get started with prompt flow to develop language model apps in the Azure AI Foundry
Develop a RAG-based solution with your own data using Azure AI Foundry
Fine-tune a language model with Azure AI Foundry
Implement a responsible generative AI solution in Azure AI Foundry
Evaluate generative AI performance in Azure AI Foundry portal
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications
  • Group Exercise: Review Architecting on AWS core best practices
  • AWS Organizations for multi-account access and permissions
  • AWS SSO to simplify access and authentication across AWS accounts and third-party services
  • AWS Control Tower
  • Permissions, access, and authentication
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications

Dein Training im Überblick

Dauer 4 Tage
Trainingssprache Deutsch
Trainingsart brainyCLASS (offen)

2.642,00 €

Startdatum und Ort wählen

Terminübersicht