3 ngày (~24 giờ)

Tìm hiểu cách vận hành các giải pháp học máy ở quy mô đám mây bằng Azure Machine Learning. Khóa học này giúp học viên áp dụng kiến ​​thức về Python và máy học để quản lý việc nhập và chuẩn bị dữ liệu, đào tạo và triển khai mô hình cũng như giám sát giải pháp học máy trong Microsoft Azure.

Khóa học được thiết kế nhằm trang bị cho học viên hệ thống kiến thức nền tảng và kỹ năng thực hành cần thiết, giúp nâng cao năng lực chuyên môn, đáp ứng yêu cầu công việc thực tế và hỗ trợ phát triển nghề nghiệp bền vững.

Khóa học này được thiết kế cho các nhà khoa học dữ liệu có kiến ​​thức nền tảng về Python và các khuôn khổ học máy như Scikit-Learn, PyTorch và Tensorflow, những người muốn xây dựng và vận hành các giải pháp máy học trên đám mây.

Học viên cần có kiến ​​thức cơ bản về các khái niệm điện toán đám mây và kinh nghiệm về khoa học dữ liệu nói chung và các công cụ, kỹ thuật học máy.

Đặc biệt:

• Tạo tài nguyên đám mây trong Microsoft Azure.
• Sử dụng Python để khám phá và trực quan hóa dữ liệu.
• Đào tạo và xác thực các mô hình học máy sử dụng các khuôn khổ phổ biến như Scikit-Learn, PyTorch và TensorFlow.
• Làm việc với container.

Hoặc học viên cần trang bị kiến thức nền tảng thông qua các khóa học:

• Explore Microsoft cloud concepts.
• Create machine learning models.
• Administer containers in Azure
• Microsoft Azure AI Fundamentals.

Sau khi hoàn tất khóa học, học viên sẽ được cấp chứng nhận hoàn tất khóa học theo quy định của Cecomtech.

Module 1: Getting Started with Azure Machine Learning

• Introduction to Azure Machine Learning
• Working with Azure Machine Learning

Lab: Create an Azure Machine Learning Workspace

Module 2: No-Code Machine Learning

• Automated Machine Learning
• Azure Machine Learning Designer

Lab: Use Automated Machine Learning

Lab: Use Azure Machine Learning Designer

Module 3: Running Experiments and Training Models

• Introduction to Experiments
• Training and Registering Models

Lab: Run Experiments

Lab: Train Models

Module 4: Working with Data

• Working with Datastores
• Working with Datasets

Lab: Work with Data

Module 5: Working with Compute

• Working with Environments
• Working with Compute Targets

Lab: Work with Compute

Module 6: Orchestrating Operations with Pipelines

• Introduction to Pipelines
• Publishing and Running Pipelines

Lab: Create a Pipeline

Module 7: Deploying and Consuming Models

• Real-time Inferencing
• Batch Inferencing
• Continuous Integration and Delivery

Lab: Create a Real-time Inferencing Service

Lab: Create a Batch Inferencing Service

Module 8: Training Optimal Models

• Hyperparameter Tuning
• Automated Machine Learning

Lab: Tune Hyperparameters

Lab: Use Automated Machine Learning from the SDK

Module 9: Responsible Machine Learning

• Differential Privacy
• Model Interpretability
• Fairness

Lab: Explore Differential provacy

Lab: Interpret Models

Lab: Detect and Mitigate Unfairness

Module 10: Monitoring Models

• Monitoring Models with Application Insights
• Monitoring Data Drift

Lab: Monitor a Model with Application Insights

Lab: Monitor Data Drift