Хмарна аналітика Big Data за допомогою машинного навчання в Azure

Мета курсу - надати слухачам знання та навички, необхідні для аналізу великих даних і візуалізації результату за допомогою машинного навчання в Azure. Також в курсі розглянуті такі інструменти аналізу великих даних як HDInsight і R. Аудиторія Цей курс призначений для фахівців, що бажають обробляти великі обсяги даних за допомогою таких сучасних засобів автоматизації, як машинне навчання. Також курс буде цікавий фахівцям, що вивчають HDInsight і R.   Після закінчення курсу слухачі зможуть:
  • Пояснити принципи роботи механізмів машинного навчання, алгоритми і мови, які використовуються
  • Описати можливості машинного навчання в Azure і перерахувати основні функції Azure Machine Learning Studio
  • Завантажувати і досліджувати різні типи даних для машинного навчання Azure
  • Вивчити і використовувати методи підготовки наборів даних для використання з машинним навчанням Azure
  • Вивчити і використовувати методи підготовки і вибірки даних для використання з машинним навчанням Azure
  • Вивчити і використовувати регресивні алгоритми і алгоритми роботи нейронних мереж в рамках машинного навчання Azure
  • Вивчити і використовувати алгоритми класифікації та кластеризації в рамках машинного навчання Azure
  • Використовувати переваги R і Python при роботі з машинним навчанням Azure
  • Вивчити і використовувати гіпер-параметри, безліч алгоритмів і моделей для вирішення аналітичних задач
  • Надати користувачам доступ до результатів відпрацювання моделей машинного навчання Azure
  • Вивчити і використовувати підключення до когнітивних служб (Cognitive Services API) для обробки тексту і зображень, створення рекомендацій та опис використання нейронних мереж в рамках машинного навчання Azure
  • Вивчити і використовувати HDInsight в рамках машинного навчання Azure
  • Вивчити і використовувати мову R і сервер R в рамках машинного навчання Azure
  • Пояснити як розгорнути і налаштувати SQL Server для підтримки служб R
Модуль 1: Введення в машинне навчання Цей модуль розповідає про можливості машинного навчання, які використовуються алгоритми і мовами. Теми        
  • Що таке машинне навчання?
  • Введення в алгоритми машинного навчання
  • Введення в мови машинного навчання
  Лабораторна робота: Введення в машинне навчання
  • Реєстрація в Azure
  • Тестування роботи
  • Оцінка роботи
  Модуль 2: Введення в машинне навчання Azure Цей модуль описує цілі машинного навчання Azure і перераховує головні особливості студії машинного навчання Azure (Azure Machine Learning Studio). Теми
  • Огляд машинного навчання Azure
  • Введення в Azure Machine Learning Studio
  • Розробка і розміщення додатків машинного навчання Azure
  Лабораторна робота: Введення в машинне навчання Azure
  • Вивчення Azure Machine Learning Studio
  • Клонування і запуск простого експерименту
  • Клонування експерименту, внесення простих змін і повторний запуск
  Модуль 3: Робота з наборами даних Цей модуль описує, як завантажити і досліджувати різні типи даних в машинному навчанні Azure. Теми
  • Класифікація даних
  • Імпорт даних для машинного навчання Azure
  • Дослідження і перетворення даних в машинному навчанні Azure
  Лабораторна робота: Візуалізація даних
  • Підготовка бази даних SQL Azure
  • Імпорт даних
  • Візуалізація даних
  • Підсумовування даних.
  Модуль 4: Підготовка даних для використання машинного навчання Azure Цей модуль описує методи підготовки наборів даних для використання машинного навчання Azure. Теми
  • Попередня обробка даних
  • Обробки неповних даних
  Лабораторна робота: Підготовка даних для використання машинного навчання Azure
  • Огляд даних за допомогою Power BI
  • Зачистка даних
Модуль 5: Використання засобів конструювання і вибірки Цей модуль описує як використовувати засоби конструювання і вибору в наборах даних, які будуть використовуватися в машинному навчанні Azure. Теми
  • Використання компонент конструювання
  • Використання компонент вибору
  Лабораторна робота: Використання засобів конструювання і вибірки
  • Злиття наборів даних
  • Використовувати PCA для зниження вимірювань
  • Вибір змінних і редагування метаданих
  Модуль 6: Побудова моделей машинного навчання Azure Цей модуль пояснює як використовувати регресивні алгоритми і нейронні мережі в середовищі машинного навчання Azure. Теми
  • Процеси машинного навчання Azure
  • Оцінка і застосування моделей
  • Застосування регресійних алгоритмів
  • Використання нейронних мереж
  Лабораторна робота: Побудова моделей машинного навчання Azure
  • Використання модуля Azure machine learning Studio для підключення регресії
  • Оцінки моделей машинного навчання
  • Додавання додаткових регресійних моделей
  • Створення і запуск додатків з алгоритмами нейронних мереж
  Модуль 7: Класифікація і кластеризація в моделях машинного навчання Azure У цьому модулі, ви навчитеся використовувати алгоритми класифікації та кластеризації в моделях машинного навчання Azure. Теми
  • Алгоритми класифікації
  • Методи кластеризації
  • Вибір алгоритмів
  Лабораторна робота: Класифікація і кластеризація в моделях машинного навчання Azure
  • Використання модулів Azure machine learning Studio для класифікації
  • Додати розділ К-середнього в експеримент
  • Додати PCA для виявлення аномалій.
  • Аналіз моделей
  Модуль 8: Використання R і Python в машинному навчанні Azure Цей модуль описує як використовувати переваги R і Python в машинному навчанні Azure. Теми Використання R
  • Використання Python
  • Використання блокнотів Jupyter
  • Підтримка R і Python
  Лабораторна робота: Використання R і Python в машинному навчанні Azure
  • Додавання скриптів на R і Python
  • Використання Python в інтегрованому середовищі розробки Visual Studio
  • Додавання блокнота Jupyter
  • Запуск блокнота Jupyter
  • Імпорт пакетів для R / Python
  • Візуалізація даних за допомогою R / Python
  • Програмування на R для роботи на основі часових рядів
  Модуль 9: Ініціалізація та оптимізація моделей машинного навчання Цей модуль описує, як використовувати гіпер-параметри, різних алгоритми і моделі для оптимізації завдань. Теми
  • Використання гіпер-параметрів
  • Використання декількох алгоритмів і моделей
  • Порівняння і оцінка ансамблю
Лабораторна робота: Ініціалізація та оптимізація моделей машинного навчання
  • Використання гіпер-параметрів
  • Побудова ансамблю за допомогою стека
  • Оцінка ансамблю
  Модуль 10: Використання моделей машинного навчання Azure Цей модуль пояснює, як надати кінцевим користувачам доступ до сервісу і даними результатів роботи моделей машинного навчання Azure. Теми
  • Розгортання і публікації моделей
  • Експорт даних
  Лабораторна робота: Використання моделей машинного навчання Azure
  • Розгортання моделей машинного навчання
  • Використання опублікованих моделей
  • Експорт даних
  • Використовувати експортовані дані в моделі машинного навчання
  Модуль 11: Використання когнітивних служб Цей модуль пояснює, як працюють API когнітивних служб для обробки тексту і зображень, створюються рекомендації і використовуються нейронні мережі в рамках машинного навчання Azure. Теми
  • Огляд когнітивних служб
  • Обробка тексту
  • Обробка зображень
  • Створення рекомендацій
  Лабораторна робота: Використання когнітивних служб
  • Створення і запуск програми обробки тексту
  • Створення і запуск програми для обробки зображень
  • Створення і запуск програми з рекомендацією
  Модуль 12: Використання машинного навчання з HDInsight У цьому модулі розказано, як використовувати HDInsight в машинному навчанні Azure. Теми
  • Введення в HDInsight
  • Типи кластерів HDInsight
  • HDInsight і моделі машинного навчання
  Лабораторна робота: Використання машинного навчання з HDInsight
  • Розгортання кластеру HDInsight
  • Використання кластера HDInsight
  • Відображення даних в Power BI
  Модуль 13: Використання R-сервісів машинного навчання Цей модуль пояснює як використовувати мову R і сервер R з моделями машинного навчання Azure, як розгорнути і налаштувати SQL Server і підтримувати служби R. Теми
  • Огляд R і сервера R
  • Використання сервера R в моделях машинного навчання
  • Використання R з SQL Server
  Лабораторна робота: Використання R-сервісів машинного навчання
  • Розгортання DSVM
  • Наука про дані у віртуальній машині
  • Налаштування сервера R
  • Запуск зразка програми сервера R
  • Розгортання SQL Server 2016 віртуальній машині Azure
  • Налаштування SQL Server для вирішення виконання сценаріїв R
  • Виконання скриптів R всередині виразів Т-SQL
  • Використання R для візуалізації даних
Для ефективного навчання на курсі слухачі повинні володіти такими знаннями і навичками:
  • Досвід програмування на R і знання поширених пакетів R
  • Знання загальних статистичних методів аналізу даних і кращих практик.
  • Основні відомості про операційних системах Microsoft Windows.
  • Досвід роботи з реляційними базами даних.

Запис на курс

Код курсу20774
Тривалість5д (40ч)
Код екзамену
Вартість без ПДВ15 000 грн.
Найближчі дати
  • 08.01.2018
  • 19.02.2018
  • 02.04.2018