DP-100T01: Entwerfen und Implementieren einer Data Science-Lösung in Azure

Seminarziel

Das Ziel des Seminars DP-100T01 "Entwerfen und Implementieren einer Data Science-Lösung in Azure" ist es, den Teilnehmenden die Fähigkeiten und Kenntnisse zu vermitteln, die sie benötigen, um Data Science-Lösungen in der Cloud-Plattform Azure von Microsoft zu entwickeln und zu implementieren. Der Kurs konzentriert sich auf die praktische Anwendung von Azure-Diensten wie Azure Machine Learning und Azure Databricks, um Machine Learning-Modelle zu erstellen, zu trainieren und zu integrieren.
Nach Abschluss des Kurses sollten die Teilnehmenden in der Lage sein, Daten in Azure vorzubereiten, Machine Learning-Modelle zu erstellen und zu trainieren, Modelle in Azure zu implementieren und zu überwachen sowie Modelle in Anwendungen zu integrieren. Die Teilnehmenden werden auch lernen, wie sie Azure-Dienste zur Skalierung von Data Science-Aufgaben verwenden können.

Inhalt

• Einführung in Azure für Data Science-Lösungen
  • Überblick über Azure-Dienste für Data Science-Lösungen
  • Einrichten einer Azure-Umgebung für Data Science
• Datenvorbereitung in Azure
  • Überblick über die Datenvorbereitung in Data Science-Lösungen
  • Verwenden von Azure-Diensten für Datenvorbereitung wie Azure Data Factory, Azure Databricks und Azure Data Lake Storage
  • Laden von Daten in Azure
• Datenaufbereitung in Azure
  • Überblick über die Datenaufbereitung in Data Science-Lösungen
  • Verwenden von Azure-Diensten für Datenaufbereitung wie Azure Machine Learning und Azure Databricks
  • Erstellen von Features und Modellierung der Daten
• Modellierung in Azure
  • Überblick über die Modellierung in Data Science-Lösungen
  • Verwenden von Azure Machine Learning für die Modellierung
  • Trainieren und Evaluieren von Modellen in Azure
• Überwachung und Verwaltung von Modellen in Azure
  • Überblick über die Überwachung und Verwaltung von Modellen in Data Science-Lösungen
  • Verwenden von Azure Machine Learning zur Überwachung und Verwaltung von Modellen
  • Veröffentlichen von Modellen in Azure
• Bereitstellung von Machine Learning-Lösungen in Azure
  • Überblick über die Bereitstellung von Machine Learning-Lösungen in Azure
  • Verwenden von Azure Machine Learning zur Bereitstellung von Modellen
  • Skalierung von Machine Learning-Lösungen in Azure
• Automatisierung und Überwachung von Machine Learning-Lösungen in Azure
  • Überblick über die Automatisierung und Überwachung von Machine Learning-Lösungen in Azure
  • Verwenden von Azure Machine Learning zur Automatisierung und Überwachung von Machine Learning-Lösungen
  • Einrichten von Continuous Integration und Continuous Deployment (CI/CD) für Machine Learning-Lösungen
• Zusammenfassung und Ausblick
  • Zusammenfassung der Kursinhalte und Lernziele
  • Diskussion über bewährte Methoden für die Implementierung von Data Science-Lösungen in Azure
  • Überblick über weitere Azure-Dienste und Ressourcen für Data Science-Lösungen
    
    

Nach dem Seminar verstehen Sie die Fragen und dazugehörigen Antworten
Wie können Sie ein Modell in Azure Machine Learning bereitstellen?

• Ein Modell kann in Azure Machine Learning bereitgestellt werden, indem es in einem Docker-Image verpackt und als Webservice bereitgestellt wird.
  
  

Wie können Sie ein Azure Databricks-Cluster konfigurieren, um den Datenfluss zu optimieren?

• Ein Azure Databricks-Cluster kann durch Optimieren von Spark-Konfigurationen und Verwendung von Databricks Delta zur Verwaltung von Big Data-Workloads optimiert werden.
  
  

Wie können Sie Azure Synapse Analytics verwenden, um eine Data-Warehouse-Lösung zu implementieren?

• Azure Synapse Analytics kann verwendet werden, um eine Data-Warehouse-Lösung zu implementieren, indem man SQL On-Demand zum Abfragen von Daten und Synapse Studio zum Verwalten und Überwachen von Pipelines verwendet.
  
  

Welche Schritte sind bei der Datenbereinigung und -vorbereitung in Azure zu berücksichtigen?

• Die Schritte bei der Datenbereinigung und -vorbereitung in Azure umfassen die Verwendung von Azure Data Factory zum Extrahieren von Daten, die Verwendung von Azure Data Bricks zum Bereinigen und Transformieren von Daten, die Verwendung von Azure Synapse Analytics zum Speichern von Daten sowie die Verwendung von Azure Machine Learning zum Trainieren von Modellen.
  
  

Was sind die Vor- und Nachteile von automatisiertem Machine Learning im Vergleich zum manuellen Machine Learning?

• Die Vorteile des automatisierten Machine Learning sind Zeitersparnis, Skalierbarkeit und Konsistenz, während manuelle Machine Learning-Methoden die volle Kontrolle über den Modellentwicklungsprozess bieten.
  
  

Wie können Sie Hyperparameter-Tuning in Azure Machine Learning durchführen?

• Hyperparameter-Tuning in Azure Machine Learning kann durch Verwendung von Azure Machine Learning Designer, automatisches Machine Learning, HyperDrive oder Hyperparameter-Optimierung durchgeführt werden.
  
  

Wie können Sie Modellleistungsprobleme in Azure Machine Learning diagnostizieren und beheben?

• Modellleistungsprobleme in Azure Machine Learning können durch Überwachen von Metriken, Durchführung von A/B-Tests und Durchführung von Fehleranalysen diagnostiziert und durch Verbesserung der Datenqualität, Anpassung des Modells oder Anpassung der Hyperparameter behoben werden.
  
  

Wie können Sie den Export von Modellen aus Azure Machine Learning in eine produktive Umgebung verwalten?

• Der Export von Modellen aus Azure Machine Learning in eine produktive Umgebung kann durch Verwendung von Azure DevOps und Azure Kubernetes Service zur Verwaltung und Bereitstellung von Modellen erfolgen.