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 курса20774
Длительность5д (40ч)
Код экзамена
Стоимость без НДС15 000 грн.
Ближайшие даты
  • 08.01.2018
  • 19.02.2018
  • 02.04.2018