Descripción
Inicios Próximos:
Aún no tenemos inicios de este curso |
Objetivos:
Después de completar este curso, los estudiantes podrán:
- Explicar el aprendizaje automático, y cómo se usan algoritmos e idiomas
- Describir el propósito de Azure Machine Learning y enumere las principales características de Azure Machine Learning Studio
- Cargar y explorar varios tipos de datos en Azure Machine Learning
- Explorar y usar técnicas para preparar conjuntos de datos listos para usar con Azure Machine Learning
- Explorar y usar técnicas de selección de ingeniería y técnicas de selección en conjuntos de datos que se utilizarán con Azure Machine Learning
- Explorar y usar algoritmos de regresión y redes neuronales con Azure Machine Learning
- Explorar y usar algoritmos de clasificación y agrupación en clúster con Azure Machine Learning
- Usar R y Python con Azure Machine Learning, y elija cuándo usar un idioma en particular
- Explorar y usar hiperparámetros y múltiples algoritmos y modelos, y sea capaz de calificar y evaluar modelos
- Explorar cómo proporcionar a los usuarios finales los servicios Azure Machine Learning y cómo compartir los datos generados a partir de los modelos Azure Machine Learning.
- Explorar y usar las API de Servicios Cognitivos para el procesamiento de texto e imágenes, para crear una aplicación de recomendación y describir el uso de redes neuronales con Azure Machine Learning
- Explorar y usar HDInsight con Azure Machine Learning
- Explorar y usar el Servidor R y R con Azure Machine Learning, y explicar cómo implementar y configurar SQL Server para admitir los servicios R
Audiencia:
La audiencia principal de este curso es gente que desea analizar y presentar datos mediante Azure Machine Learning.
La audiencia secundaria son los profesionales de TI, los desarrolladores y los trabajadores de la información que necesitan soluciones compatibles basadas en el aprendizaje automático de Azure.
Prerrequisitos:
Además de su experiencia profesional, los estudiantes que asisten a este curso deben tener:
- Experiencia de programación con R y familiaridad con paquetes R comunes
- Conocimiento de métodos estadísticos comunes y mejores prácticas de análisis de datos.
- Conocimiento básico del sistema operativo Microsoft Windows y su funcionalidad principal.
- Conocimiento de trabajo de bases de datos relacionales.
Certificación:
Este curso lo prepara para el examen:70-774: Perform Cloud Data Science with Azure Machine Learning. Este examen es requisito para la certificación: MCSE: Data Management and Analytics
Contenido:
Módulo 1: Introducción al aprendizaje automático
1.1 ¿Qué es el aprendizaje automático?
1.2 Introducción a los algoritmos de aprendizaje automático
1.3 Introducción a los lenguajes de aprendizaje automático
1.4 Laboratorio: Introducción al aprendizaje automático
1.4.1 Registrar en la cuenta del estudio de aprendizaje automático de Azure
1.4.2 Ver un experimento simple de la galería
1.4.3 Evaluar un experimento
Módulo 2: Introducción a Azure Machine Learning
2.1 Visión general del aprendizaje automático de Azure
2.2 Introducción al estudio de aprendizaje de máquinas Azure
2.3 Desarrollo y alojamiento de aplicaciones de aprendizaje automático Azure
2.4 Laboratorio: Introducción al aprendizaje automático de Azure
2.4.1 Explorar el espacio de trabajo del estudio de aprendizaje de máquinas Azure
2.4.2 Clonar y ejecutar un experimento simple
2.4.3 Clonar un experimento, realizar algunos cambios simples y ejecutar el experimento
Módulo 3: Administración de conjuntos de datos
3.1 Categorizar tus datos
3.2 Importación de datos al aprendizaje automático de Azure
3.3 Explorar y transformar datos en Azure machine learning
3.4 Laboratorio: Administración de conjuntos de datos
3.4.1 Preparar la base de datos SQL de Azure
3.4.2 Importar fechas
3.4.3 Visualizar datos
3.4.4 Resumir datos
Módulo 4: Preparación de datos para su uso con Azure Machine Learning
4.1 Pre procesamiento de datos
4.2 Manejo de conjuntos de datos incompletos
4.3 Laboratorio: Preparación de datos para su uso con el aprendizaje automático de Azure
4.3.1 Explorar algunos datos usando Power BI
4.3.2 Limpiar los datos
Módulo 5: Uso de la ingeniería de características y la selección
5.1 Usando la ingeniería de características
5.2 Usar la selección de características
5.3 Laboratorio: Uso de ingeniería de características y selección
5.3.1 Preparar conjuntos de datos
5.3.2 Uso de Join para combinar los datos
Módulo 6: Creación de modelos de aprendizaje automático en Azure
6.1 Flujos de trabajo de aprendizaje automático Azure
6.2 Puntuación y evaluación de modelos
6.3 Uso de algoritmos de regresión
6.4 Uso de redes neuronales
6.5 Laboratorio: Creación de modelos de aprendizaje automático Azure
6.5.1 Uso de #Módulos de estudio de aprendizaje automático de Azure para la regresión
6.5.2 Crear y ejecutar una aplicación basada en redes neuronales
Módulo 7: Uso de la clasificación y la agrupación en clústeres con los modelos de aprendizaje automático de Azure
7.1 Uso de algoritmos de clasificación
7.2 Técnicas de agrupamiento
7.3 Selección de algoritmos
7.4 Laboratorio: Uso de la clasificación y la agrupación en clústeres con modelos de aprendizaje automático Azure
Módulo 8: Uso de R y Python con Aprendizaje automático de Azure
8.1 Uso de R
8.2 Uso de Python
8.3 Incorporación de R y Python en experimentos de Machine Learning
8.4 Laboratorio: Uso de R y Python con Azure machine learning
8.4.1 Explorar datos usando R
8.4.2 Analizar datos usando Python
Módulo 9: Inicialización y optimización de modelos de aprendizaje automático
9.1 Uso de Hyper-parámetros
9.2 Uso de múltiples algoritmos y modelos
9.3 Puntuación y evaluación de modelos
9.4 Laboratorio Inicialización y optimización de modelos de aprendizaje automático
9.4.1 Uso de Hyper-parámetros
Módulo 10: Uso de modelos de aprendizaje automático de Azure
10.1 Implementación y publicación de modelos
10.2 Experimentos de consumo
10.3 Laboratorio: Uso de modelos de aprendizaje automático Azure
10.3.1 Implementar modelos de aprendizaje automático
10.3.2 Consumir un modelo publicado
Módulo 11: Uso de servicios cognitivos
11.1 Visión general de los servicios cognitivos
11.2 Lenguaje de procesamiento
11.3 Procesando imágenes y video
11.4 Recomendar productos
11.5 Laboratorio: Uso de servicios cognitivos
11.5.1 Construir una aplicación de lenguaje
11.5.2 Construir una aplicación de detección de rostros
11.5.3 Construir una aplicación de recomendación
Módulo 12: Uso del aprendizaje automático con HDInsight
12.1 Introducción a HDInsight
12.2 Tipos de clúster HDInsight
12.3 HDInsight y modelos de aprendizaje automático
12.4 Laboratorio: Aprendizaje automático con HDInsight
12.4.1 Proporcionar un clúster HDInsight
12.4.2 Usar el clúster HDInsight con MapReduce y Spark
Módulo 13: Uso de servicios R con aprendizaje automático
13.1 Descripción general del servidor R y R
13.2 Uso del servidor R con aprendizaje automático
13.3 Uso de R con SQL Server
13.4 Laboratorio: Uso de servicios R con aprendizaje automático
13.4.1 Implementar DSVM
13.4.2 Preparar una base de datos de ejemplo de SQL Server y configure SQL Server y R
13.4.3 Usar una sesión R remota
13.4.4 Ejecutar scripts R dentro de sentencias T-SQL
Costos:
Este costo incluye: Material de estudio, el uso de una computadora por persona, certificados, refrigerios e impuestos de ley.
Reviews
There are no reviews yet, would you like to submit yours?