20774А. Облачная аналитика больших данных (Big Data) при помощи машинного обучения в Azure

20774А. Облачная аналитика больших данных (Big Data) при помощи машинного обучения в Azure
  • Код курса:
    20774А
  • Длительность:
    5 / 40
  • Ближайшие даты:

  • Цена, без НДС:
    Уточните
Гаєвий Вадим МСТ
З 2011 року тренер  Microsoft - МСТ.
Викладає технології: Microsoft ASP.NET, Microsoft SQ...
Аудитория:
Этот курс предназначен для специалистов, желающих обрабатывать большие объёмы данных с помощью таких современных средств автоматизации, как машинное обучение. Также курс будет интересен специалистам, изучающим HDInsight и R.
Предварительная подготовка:
Обязательная предварительная подготовка:
  • Успешное окончание курса Курс 20773А: Анализ больших данных (Big Data) с помощью Microsoft R или эквивалентная подготовка.
  • Успешное окончание курса Анализ данных на языке SQL или эквивалентная подготовка.
  • Английский язык. Уровень 2. Elementary, часть 2, или эквивалентная подготовка. 
Рекомендуемая предварительная подготовка:
  • Успешное окончание курса Курс 20767А: Разработка и эксплуатация хранилищ данных на SQL Server 2016 или эквивалентная подготовка.
Приобретаемые навыки:
По окончании курса Вы будете уметь:
  • объяснять принципы работы механизмов машинного обучения, используемые алгоритмы и языки;
  • описывать возможности машинного обучения в Azure и перечислять основные функции Azure Machine Learning Studio;
  • загружать и исследовать различные типы данных для машинного обучения Azure;
  • изучать и использовать методы подготовки наборов данных для использования с машинным обучением Azure;
  • изучать и использовать регрессионные алгоритмы и алгоритмы работы нейронных сетей в рамках машинного обучения Azure;
  • изучать и использовать алгоритмы классификации и кластеризации в рамках машинного обучения Azure;
  • использовать преимущества R и Python при работе с машинным обучением Azure;
  • изучать и использовать гипер-параметры, множество алгоритмов и моделей для решения аналитических задач;
  • предоставлять пользователям доступ к результатам отработки моделей машинного обучения Azure;
  • изучать и использовать подключения к когнитивным службам (Cognitive Services API) для обработки текста и изображений, создания рекомендаций и описание использования нейронных сетей в рамках машинного обучения Azure;
  • изучать и использовать HDInsight в рамках машинного обучения Azure;
  • изучать и использовать язык R и сервер R в рамках машинного обучения Azure;
  • объяснять, как развернуть и настроить SQL Server для поддержки служб R.
Содержание курса:
Модуль 1. Введение в машинное обучение
  • Что такое машинное обучение?
  • Введение в алгоритмы машинного обучения
  • Введение в языки машинного обучения
Лабораторная работа: Введение в машинное обучение
  • Регистрация в Azure
  • Тестирование работы
  • Оценка работы
Модуль 2. Введение в машинное обучение Azure
  • Обзор машинного обучения Azure
  • Введение в Azure Machine Learning Studio
  • Разработка и размещение приложений машинного обучения Azure
Лабораторная работа: Введение в машинное обучение Azure
  • Изучение Azure Machine Learning Studio
  • Клонирование и запуск простого эксперимента
  • Клонирование эксперимента, внесение простых изменений и повторный запуск
Модуль 3. Работа с наборами данных
  • Классификация данных
  • Импорт данных для машинного обучения Azure
  • Исследование и преобразование данных в машинном обучении Azure
Лабораторная работа: Визуализация данных
  • Подготовка базы данных SQL Azure
  • Импорт данных
  • Визуализация данных
  • Суммирование данных
Модуль 4. Подготовка данных для использования машинного обучения Azure
  • Предварительная обработка данных
  • Обработки неполных данных
Лабораторная работа: Подготовка данных для использования машинного обучения Azure
  • Обзор данных с помощью Power BI
  • Очистка данных
Модуль 5. Использование средств конструирования и выборки
  • Использование компонент конструирования
  • Использование компонент выбора
Лабораторная работа: Использование rxExec и revoPemaR для распараллеливания операций
  • Слияние наборов данных
  • Использовать PCA для понижения измерений
  • Выбор переменных и редактирование метаданных
Модуль 6. Построение моделей машинного обучения Azure
  • Процессы машинного обучения Azure
  • Оценка и применение моделей
  • Применение регрессионных алгоритмов
  • Использование нейронных сетей
Лабораторная работа: Построение моделей машинного обучения Azure
  • Использование модуля Azure machine learning Studio для подключения регрессии
  • Оценки моделей машинного обучения
  • Добавление дополнительных регрессионных моделей
  • Создание и запуск приложений с алгоритмами нейронных сетей
Модуль 7. Классификация и кластеризация в моделях машинного обучения Azure
  • Алгоритмы классификации
  • Методы кластеризации
  • Выбор алгоритмов
Лабораторная работа: Классификация и кластеризация в моделях машинного обучения Azure
  • Использование модулей Azure machine learning Studio для классификации
  • Добавление раздела К-среднего в эксперимент
  • Добавление PCA для обнаружения аномалий
  • Анализ моделей
Модуль 8. Использование R и Python в машинном обучении Azure
  • Использование R
  • Использование Python
  • Использование блокнотов Jupyter
  • Поддержка R и Python
Лабораторная работа: Использование R и Python в машинном обучении Azure
  • Добавление скриптов на R и Python
  • Использование Python в интегрированной среде разработки Visual Studio
  • Добавление блокнота Jupyter
  • Запуск блокнота Jupyter
  • Импорт пакетов для R/Python
  • Визуализация данных с помощью R/Python
  • Программирование на R для работы на основе временных рядов
Модуль 9. Инициализация и оптимизация моделей машинного обучения
  • Использование гипер-параметров
  • Использование нескольких алгоритмов и моделей
  • Сравнение и оценка ансамбля
Лабораторная работа: Инициализация и оптимизация моделей машинного обучения
  • Использование гипер-параметров
  • Построение ансамбля с помощью стека
  • Оценка ансамбля
Модуль 10. Использование моделей машинного обучения Azure
  • Развертывание и публикации моделей
  • Экспорт данных
Лабораторная работа: Использование моделей машинного обучения Azure
  • Развертывание моделей машинного обучения
  • Использование опубликованных моделей
  • Экспорт данных
  • Использование экспортированных данных в моделе машинного обучения
Модуль 11. Использование когнитивных служб
  • Обзор когнитивных служб
  • Обработка текста
  • Обработка изображений
  • Создание рекомендаций
Лабораторная работа: Использование когнитивных служб
  • Создание и запуск приложения обработки текста
  • Создание и запуск приложения для обработки изображений
  • Создание и запуск приложения с рекомендацией
Модуль 12. Использование машинного обучения с HDInsight
  • Введение в HDInsight
  • Типы кластеров HDInsight
  • HDInsight и модели машинного обучения
Лабораторная работа: Использование машинного обучения с HDInsight
  • Развертывание кластера HDInsight
  • Использование кластера HDInsight
  • Отображение данных в Power BI
Модуль 13. Использование R-сервисов машинного обучения
  • Обзор R и сервера R
  • Использование сервера R в моделях машинного обучения
  • Использование R с SQL Server
Лабораторная работа: Использование R-сервисов машинного обучения
  • Развертывание DSVM
  • Наука о данных в виртуальной машине
  • Настройка сервера R
  • Запуск образца приложения сервера R
  • Развертывание SQL Server 2016 в виртуальной машине Azure
  • Настройка SQL Server для разрешения выполнения сценариев R
  • Выполнение скриптов R внутри выражений Т-SQL
  • Использование R для визуализации данных

Материалы и сертификаты:
МS
Акцент Профи
Расписание курсов на 6 месяцев

Возврат к списку



программа курса Microsoft10990
Программа и регистрация на курс Система управления бизнес-проектами, квалификация "Project management" (IAPBE) в акцент профи
Microsoft Office Excel 2 дні поглиблене навчання


Перейти на программу курса ефективні презентації вражаючи презентації power point
Зарегистрироваться на Курс 10961 Автоматизация администрирования с Windows PowerShell