Perform Cloud Data Science with Azure Machine

Duración: 40 horas

Código: MS–20774-A

Descripción:

El objetivo principal del curso es brindar a los estudiantes la capacidad de analizar y presentar datos mediante Azure Machine Learning, y proporcionar una introducción al uso del aprendizaje automático con herramientas de big data como HDInsight y R Services.

Objetivos:

Después de completar este curso, los estudiantes podrán:

  • Explicar el aprendizaje automático, y cómo se usan algoritmos e idiomas
  • Describir el propósito de Azure Machine Learning y enumere las principales características de Azure Machine Learning Studio
  • Cargar y explorar varios tipos de datos en Azure Machine Learning
  • Explorar y usar técnicas para preparar conjuntos de datos listos para usar con Azure Machine Learning
  • Explorar y usar técnicas de selección de ingeniería y técnicas de selección en conjuntos de datos que se utilizarán con Azure Machine Learning
  • Explorar y usar algoritmos de regresión y redes neuronales con Azure Machine Learning
  • Explorar y usar algoritmos de clasificación y agrupación en clúster con Azure Machine Learning
  • Usar R y Python con Azure Machine Learning, y elija cuándo usar un idioma en particular
  • Explorar y usar hiperparámetros y múltiples algoritmos y modelos, y sea capaz de calificar y evaluar modelos
  • Explorar cómo proporcionar a los usuarios finales los servicios Azure Machine Learning y cómo compartir los datos generados a partir de los modelos Azure Machine Learning.
  • Explorar y usar las API de Servicios Cognitivos para el procesamiento de texto e imágenes, para crear una aplicación de recomendación y describir el uso de redes neuronales con Azure Machine Learning
  • Explorar y usar HDInsight con Azure Machine Learning
  • Explorar y usar el Servidor R y R con Azure Machine Learning, y explicar cómo implementar y configurar SQL Server para admitir los servicios R
Audiencia:

La audiencia principal de este curso es gente que desea analizar y presentar datos mediante Azure Machine Learning.
La audiencia secundaria son los profesionales de TI, los desarrolladores y los trabajadores de la información que necesitan soluciones compatibles basadas en el aprendizaje automático de Azure.

Prerrequisitos:

Además de su experiencia profesional, los estudiantes que asisten a este curso deben tener:

  • Experiencia de programación con R y familiaridad con paquetes R comunes
  • Conocimiento de métodos estadísticos comunes y mejores prácticas de análisis de datos.
  • Conocimiento básico del sistema operativo Microsoft Windows y su funcionalidad principal.
  • Conocimiento de trabajo de bases de datos relacionales.
Certificación:

Este curso lo prepara para el examen:70-774: Perform Cloud Data Science with Azure Machine Learning. Este examen es requisito para la certificación: MCSE: Data Management and Analytics

Contenido:
  1. Módulo 1: Introducción al aprendizaje automático
    1. ¿Qué es el aprendizaje automático?
    2. Introducción a los algoritmos de aprendizaje automático
    3. Introducción a los lenguajes de aprendizaje automático
    4. Laboratorio: Introducción al aprendizaje automático
      1. Registrar en la cuenta del estudio de aprendizaje automático de Azure
      2. Ver un experimento simple de la galería
      3. Evaluar un experimento
  2. Módulo 2: Introducción a Azure Machine Learning
    1. Visión general del aprendizaje automático de Azure
    2. Introducción al estudio de aprendizaje de máquinas Azure
    3. Desarrollo y alojamiento de aplicaciones de aprendizaje automático Azure
    4. Laboratorio: Introducción al aprendizaje automático de Azure
      1. Explorar el espacio de trabajo del estudio de aprendizaje de máquinas Azure
      2. Clonar y ejecutar un experimento simple
      3. Clonar un experimento, realizar algunos cambios simples y ejecutar el experimento
  3. Módulo 3: Administración de conjuntos de datos
    1. Categorizar tus datos
    2. Importación de datos al aprendizaje automático de Azure
    3. Explorar y transformar datos en Azure machine learning
    4. Laboratorio: Administración de conjuntos de datos
      1. Preparar la base de datos SQL de Azure
      2. Importar fechas
      3. Visualizar datos
      4. Resumir datos
  4. Módulo 4: Preparación de datos para su uso con Azure Machine Learning
    1. Pre procesamiento de datos
    2. Manejo de conjuntos de datos incompletos
    3. Laboratorio: Preparación de datos para su uso con el aprendizaje automático de Azure
      1. Explorar algunos datos usando Power BI
      2. Limpiar los datos
  5. Módulo 5: Uso de la ingeniería de características y la selección
    1. Usando la ingeniería de características
    2. Usar la selección de características
    3. Laboratorio: Uso de ingeniería de características y selección
      1. Preparar conjuntos de datos
      2. Uso de Join para combinar los datos
  6. Módulo 6: Creación de modelos de aprendizaje automático en Azure
    1. Flujos de trabajo de aprendizaje automático Azure
    2. Puntuación y evaluación de modelos
    3. Uso de algoritmos de regresión
    4. Uso de redes neuronales
    5. Laboratorio: Creación de modelos de aprendizaje automático Azure
      1. Uso de #Módulos de estudio de aprendizaje automático de Azure para la regresión
      2. Crear y ejecutar una aplicación basada en redes neuronales
  7. Módulo 7: Uso de la clasificación y la agrupación en clústeres con los modelos de aprendizaje automático de Azure
    1. Uso de algoritmos de clasificación
    2. Técnicas de agrupamiento
    3. Selección de algoritmos
    4. Laboratorio: Uso de la clasificación y la agrupación en clústeres con modelos de aprendizaje automático Azure
  8. Módulo 8: Uso de R y Python con Aprendizaje automático de Azure
    1. Uso de R
    2. Uso de Python
    3. Incorporación de R y Python en experimentos de Machine Learning
    4. Laboratorio: Uso de R y Python con Azure machine learning
      1. Explorar datos usando R
      2. Analizar datos usando Python
  9. Módulo 9: Inicialización y optimización de modelos de aprendizaje automático
    1. Uso de Hyper-parámetros
    2. Uso de múltiples algoritmos y modelos
    3. Puntuación y evaluación de modelos
    4. Laboratorio Inicialización y optimización de modelos de aprendizaje automático
      1. Uso de Hyper-parámetros
  10. Módulo 10: Uso de modelos de aprendizaje automático de Azure
    1. Implementación y publicación de modelos
    2. Experimentos de consumo
    3. Laboratorio: Uso de modelos de aprendizaje automático Azure
      1. Implementar modelos de aprendizaje automático
      2. Consumir un modelo publicado
  11. Módulo 11: Uso de servicios cognitivos
    1. Visión general de los servicios cognitivos
    2. Lenguaje de procesamiento
    3. Procesando imágenes y video
    4. Recomendar productos
    5. Laboratorio: Uso de servicios cognitivos
      1. Construir una aplicación de lenguaje
      2. Construir una aplicación de detección de rostros
      3. Construir una aplicación de recomendación
  12. Módulo 12: Uso del aprendizaje automático con HDInsight
    1. Introducción a HDInsight
    2. Tipos de clúster HDInsight
    3. HDInsight y modelos de aprendizaje automático
    4. Laboratorio: Aprendizaje automático con HDInsight
      1. Proporcionar un clúster HDInsight
      2. Usar el clúster HDInsight con MapReduce y Spark
  13. Módulo 13: Uso de servicios R con aprendizaje automático
    1. Descripción general del servidor R y R
    2. Uso del servidor R con aprendizaje automático
    3. Uso de R con SQL Server
    4. Laboratorio: Uso de servicios R con aprendizaje automático
      1. Implementar DSVM
      2. Preparar una base de datos de ejemplo de SQL Server y configure SQL Server y R
      3. Usar una sesión R remota
      4. Ejecutar scripts R dentro de sentencias T-SQL
Costos:

Este costo incluye: Material MOC (Curso Oficial Microsoft), Material de estudio, el uso de una computadora por persona, certificado oficial otorgado por Microsoft, refrigerios e impuestos de ley.