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 курсу | WBD-3 |
---|---|
Тривалість | 5 д (40 ч) |
Код екзамену | |
Вартість без ПДВ | 35 000 грн. |