Erstellen und Automatisieren von Pipelines in Azure Machine Learning

Die Skalierung von Machine-Learning-Projekten erfordert den Übergang von manuellen Experimenten zu robusten, automatisierten Workflows. Dieser textbasierte Kurs führt Sie durch den Prozess der Strukturierung, Ausführung und Planung von Machine Learning-Pipelines mit Azure Machine Learning. Durch klare Schritt-für-Schritt-Erklärungen und praktische Konfigurationsbeispiele lernen Sie, wie Sie von der Ausführung isolierter Skripte zur Bereitstellung vollautomatisierter, wiederholbarer ML-Pipelines übergehen. Sie werden das Vertrauen gewinnen, Komponenten zu strukturieren, Datenressourcen zu verwalten und Ihre Pipeline-Ausführungen effizient zu verfolgen. Was Sie lernen werden: - Verstehen Sie die grundlegenden Pipelinekonzepte und die Architektur von Azure Machine Learning. - Erstellen Sie wiederverwendbare Pipelinekomponenten, um Ihre Datenvorbereitung und Ihren Trainingscode zu modularisieren. - Erstellen und Ausführen von End-to-End-Pipelines mit den SDK- und YAML-Konfigurationen. - Planen Sie Pipeline-Ausführungen, um das Retraining von Modellen basierend auf Zeit- oder Datenänderungen zu automatisieren. - Verfolgen und überwachen Sie Pipeline-Aufträge mit integrierter MLflow-Protokollierung. - Wenden Sie bewährte Methoden zum Verwalten von Umgebungsabhängigkeiten und zum sicheren Berechnen von Zielen an. Der Kurs beginnt mit der wesentlichen Terminologie und den Designmustern, bevor Sie durch die Komponentenerstellung, die Pipeline-Assemblierung und die automatisierte Planung geführt werden. Sie üben durch die Analyse von strukturierten Codevorlagen und Konfigurationsdateien. Dieser Kurs richtet sich an Datenwissenschaftler, ML-Techniker und Entwickler, die noch nicht mit Azure Machine Learning-Pipelines vertraut sind. Vorherige Erfahrungen im Bereich Cloud Engineering sind nicht erforderlich, aber grundlegende Kenntnisse in Python sind hilfreich. Lesen Sie noch heute, wie Sie Ihre Machine-Learning-Workflows optimieren und automatisieren können.