Erste Schritte mit Azure Machine Learning Workspace und Assets

Die Einrichtung einer robusten Umgebung ist der erste und wichtigste Schritt in jedem Data-Science-Projekt. Azure Machine Learning bietet einen zentralen Arbeitsbereich zum Verwalten Ihrer Daten, Rechenressourcen und Experimente, aber die Navigation durch die Kernassets kann sich zunächst überwältigend anfühlen. Dieser textbasierte Kurs führt Sie durch die grundlegende Struktur von Azure Machine Learning. Sie erfahren, wie Sie Ihre Arbeit organisieren, Ihre Daten sichern und die Rechenleistung für das Training und die Bereitstellung von Modellen vorbereiten. So sind Sie für eine effektive Zusammenarbeit an cloudbasierten KI-Projekten gerüstet. Was Sie lernen werden: - Verstehen Sie die Kernarchitektur eines Azure Machine Learning-Arbeitsbereichs und seiner Grundkomponenten - Konfigurieren und verwalten Sie Cloud-Compute-Ressourcen, einschließlich Compute-Instances und Cluster - Registrieren und verfolgen Sie Datenbestände, Datenspeicher und Umgebungen für reproduzierbare Experimente - Verfolgen Sie Modellmetriken und -parameter mit modernen integrierten MLflow-Tracking-Mustern - Organisieren Sie Pipeline-Assets, um End-to-End-Workflows für maschinelles Lernen zu automatisieren - Bereitstellen trainierter Modelle für Cloud-Endpunkte für Echtzeit-Inferenz Sie lernen zunächst die grundlegende Terminologie des maschinellen Lernens in der Cloud und die Einrichtung des Arbeitsbereichs kennen, bevor Sie Schritt-für-Schritt-Anleitungen zur Konfiguration von Daten-, Rechen- und Modellressourcen erhalten. Das Material fließt logisch von der anfänglichen Ressourcenbereitstellung bis zur Verwaltung aktiver Machine-Learning-Experimente. Dieser Kurs richtet sich an angehende Data Scientists, Cloud-Techniker und Entwickler, die Azure Machine Learning noch nicht kennen. Vorherige Cloud-Erfahrung ist nicht erforderlich, aber ein grundlegendes Verständnis der Konzepte des maschinellen Lernens ist hilfreich. Beginnen Sie noch heute mit dem Lesen, um die wesentlichen Bausteine des cloudbasierten maschinellen Lernens zu meistern.