Облачная аналитика Big Data при помощи машинного обучения в Azure
Цель курса – предоставить слушателям знания и навыки, необходимые для анализа больших данных и визуализации результата при помощи машинного обучения в Azure. Также в курсе рассмотрены такие инструменты анализа больших данных как HDInsight и R.
Аудитория
Этот курс предназначен для специалистов, желающих обрабатывать большие объёмы данных с помощью таких современных средств автоматизации, как машинное обучение. Также курс будет интересен специалистам, изучающим HDInsight и R.
По окончании курса слушатели смогут:
- Объяснить принципы работы механизмов машинного обучения, используемые алгоритмы и языки
- Описать возможности машинного обучения в Azure и перечислить основные функции Azure Machine Learning Studio
- Загружать и исследовать различные типы данных для машинного обучения Azure
- Изучить и использовать методы подготовки наборов данных для использования с машинным обучением Azure
- Изучить и использовать методы подготовки и выборки данных для использования с машинным обучением Azure
- Изучить и использовать регрессионные алгоритмы и алгоритмы работы нейронных сетей в рамках машинного обучения Azure
- Изучить и использовать алгоритмы классификации и кластеризации в рамках машинного обучения Azure
- Использовать преимущества R и Python при работе с машинным обучением Azure
- Изучить и использовать гипер-параметры, множество алгоритмов и моделей для решения аналитических задач
- Предоставить пользователям доступ к результатам отработки моделей машинного обучения Azure
- Изучить и использовать подключения к когнитивным службам (Cognitive Services API) для обработки текста и изображений, создания рекомендаций и описание использования нейронных сетей в рамках машинного обучения Azure
- Изучить и использовать HDInsight в рамках машинного обучения Azure
- Изучить и использовать язык R и сервер R в рамках машинного обучения Azure
- Объяснить, как развернуть и настроить SQL Server для поддержки служб R.
Модуль 1: Введение в машинное обучение
Этот модуль рассказывает о возможностях машинного обучения, используемых алгоритмах и языках.
Темы
- Что такое машинное обучение?
- Введение в алгоритмы машинного обучения
- Введение в языки машинного обучения
Лабораторная работа: Введение в машинное обучение
- Регистрация в Azure
- Тестирование работы
- Оценка работы
Модуль 2: Введение в машинное обучение Azure
Этот модуль описывает цели машинного обучения Azure и перечисляет главные особенности студии машинного обучения Azure (Azure Machine Learning Studio).
Темы
- Обзор машинного обучения Azure
- Введение в Azure Machine Learning Studio
- Разработка и размещение приложений машинного обучения Azure
Лабораторная работа: Введение в машинное обучение Azure
- Изучение Azure Machine Learning Studio
- Клонирование и запуск простого эксперимента
- Клонирование эксперимента, внесение простых изменений и повторный запуск
Модуль 3: Работа с наборами данных
Этот модуль описывает, как загрузить и исследовать различные типы данных в машинном обучении Azure.
Темы
- Классификация данных
- Импорт данных для машинного обучения Azure
- Исследование и преобразование данных в машинном обучении Azure
Лабораторная работа: Визуализация данных
- Подготовка базы данных SQL Azure
- Импорт данных
- Визуализация данных
- Суммирование данные.
Модуль 4: Подготовка данных для использования машинного обучения Azure
Этот модуль описывает методы подготовки наборов данных для использования машинного обучения Azure.
Темы
- Предварительная обработка данных
- Обработки неполных данных
Лабораторная работа: Подготовка данных для использования машинного обучения Azure
- Обзор данных с помощью Power BI
- Зачистка данных
Модуль 5: Использование средств конструирования и выборки
Этот модуль описывает, как использовать средства конструирования и выбора в наборах данных, которые будут использоваться в машинном обучении Azure.
Темы
- Использование компонент конструирования
- Использование компонент выбора
Лабораторная работа: Использование средств конструирования и выборки
- Слияние наборов данных
- Использовать PCA для понижения измерений
- Выбор переменных и редактирование метаданных
Модуль 6: Построение моделей машинного обучения Azure
Этот модуль объясняет, как использовать регрессионные алгоритмы и нейронные сети в среде машинного обучения Azure.
Темы
- Процессы машинного обучения Azure
- Оценка и применение моделей
- Применение регрессионных алгоритмов
- Использование нейронных сетей
Лабораторная работа: Построение моделей машинного обучения Azure
- Использование модуля Azure machine learning Studio для подключения регрессии
- Оценки моделей машинного обучения
- Добавление дополнительных регрессионных моделей
- Создание и запуск приложений с алгоритмами нейронных сетей
Модуль 7: Классификация и кластеризация в моделях машинного обучения Azure
В этом модуле описывается, как использовать алгоритмы классификации и кластеризации в моделях машинного обучения Azure.
Темы
- Алгоритмы классификации
- Методы кластеризации
- Выбор алгоритмов
Лабораторная работа: Классификация и кластеризация в моделях машинного обучения Azure
- Использование модулей Azure machine learning Studio для классификации
- Добавить раздел К-среднего в эксперимент
- Добавить PCA для обнаружения аномалий.
- Анализ моделей
Модуль 8: Использование R и Python в машинном обучении Azure
Этот модуль описывает, как использовать преимущества R и Python в машинном обучении Azure.
Темы
- Использование R
- Использование Python
- Использование блокнотов Jupyter
- Поддержка R и Python
Лабораторная работа: Использование R и Python в машинном обучении Azure
- Добавление скриптов на R и Python
- Использование Python в интегрированной среде разработки Visual Studio
- Добавление блокнота Jupyter
- Запуск блокнота Jupyter
- Импорт пакетов для R/Python
- Визуализация данных с помощью R/Python
- Программирование на R для работы на основе временных рядов
Модуль 9: Инициализация и оптимизация моделей машинного обучения
Этот модуль описывает, как использовать гипер-параметры, различных алгоритмы и модели для оптимизации задач.
Темы
- Использование гипер-параметров
- Использование нескольких алгоритмов и моделей
- Сравнение и оценка ансамбля
Лабораторная работа: Инициализация и оптимизация моделей машинного обучения
- Использование гипер-параметров
- Построение ансамбля с помощью стека
- Оценка ансамбля
Модуль 10: Использование моделей машинного обучения Azure
Этот модуль объясняет, как предоставить конечным пользователям доступ к сервису и данным результатов работы моделей машинного обучения Azure.
Темы
- Развертывание и публикации моделей
- Экспорт данных
Лабораторная работа: Использование моделей машинного обучения Azure
- Развертывание моделей машинного обучения
- Использование опубликованных моделей
- Экспорт данных
- Использовать экспортированные данные в модели машинного обучения
Модуль 11: Использование когнитивных служб
Этот модуль объясняет, как работают API когнитивных служб для обработки текста и изображений, создаются рекомендации и используются нейронные сети в рамках машинного обучения Azure.
Темы
- Обзор когнитивных служб
- Обработка текста
- Обработка изображений
- Создание рекомендаций
Лабораторная работа: Использование когнитивных служб
- Создание и запуск приложения обработки текста
- Создание и запуск приложения для обработки изображений
- Создание и запуск приложения с рекомендацией
Модуль 12: Использование машинного обучения с HDInsight
В этом модуле рассказано, как использовать HDInsight в машинном обучении Azure.
Темы
- Введение в HDInsight
- Типы кластеров HDInsight
- HDInsight и модели машинного обучения
Лабораторная работа: Использование машинного обучения с HDInsight
- Развертывание кластера HDInsight
- Использование кластера HDInsight
- Отображение данных в Power BI
Модуль 13: Использование R-сервисов машинного обучения
Этот модуль объясняет, как использовать язык R и сервер R с моделями машинного обучения Azure, как развернуть и настроить SQL Server и поддерживать службы R.
Темы
- Обзор R и сервера R
- Использование сервера R в моделях машинного обучения
- Использование R с SQL Server
Лабораторная работа: Использование R-сервисов машинного обучения
- Развертывание DSVM
- Наука о данных в виртуальной машине
- Настройка сервера R
- Запуск образца приложения сервера R
- Развертывание SQL Server 2016 в виртуальной машине Azure
- Настройка SQL Server для разрешения выполнения сценариев R
- Выполнение скриптов R внутри выражений Т-SQL
- Использование R для визуализации данных
Для эффективного обучения на курсе, слушатели должны обладать следующими знаниями и навыками:
- Опыт программирования на R и знание распространенных пакетов R
- Знания общих статистических методов анализа данных и лучших практик.
- Основные сведения о операционных системах Microsoft Windows.
- Опыт работы с реляционными базами данных.
Запись на курс
| Код курса | WBD-3 |
|---|---|
| Длительность | 5 д (40 ч) |
| Код экзамена | |
| Стоимость без НДС | 35 000 грн. |