Curso presencial
Madrid
Emagister S.L. (responsable) tratará tus datos personales con la finalidad de gestionar el envío de solicitudes de información y comunicaciones promocionales de formación con tu consentimiento. Ejerce tus derechos de acceso, supresión, rectificación, limitación, portabilidad y otros, según se indica en nuestra política de privacidad.
Sedes
Localización
Fecha inicio
Objetivos
Prepararte para el
A quién va dirigido
Este curso está diseñado para científicos de datos con conocimiento existente de Python y marcos de aprendizaje automático como Scikit-Learn, PyTorch y Tensorflow, que deseen construir y operar soluciones de aprendizaje automático en la nube.
Requisitos
Tener conocimientos básicos de conceptos de informática en la nube y experiencia en técnicas y herramientas generales de ciencia de datos y aprendizaje automático: Creación de recursos en la nube en Microsoft Azure. Uso de Python para explorar y visualizar datos. Entrenamiento y validación de modelos de Machine Learning mediante marcos comunes, como Scikit-Learn, PyTorch y TensorFlow. Trabajo con contenedores. """
Temario completo de este curso
Módulo 1: Diseño de una estrategia de ingesta de datos para proyectos de aprendizaje automático Módulo 2: Diseño de una solución de entrenamiento de modelos de Machine Learning Módulo 3: Diseño de una solución de implementación de modelos Módulo 4: Exploración de recursos del área de trabajo de Azure Machine Learning Módulo 5: Exploración de las herramientas de desarrollo para la interacción de áreas de trabajo Módulo 6: Hacer que los datos estén disponibles en Azure Machine Learning Módulo 7: Trabajo con destinos de proceso en Azure Machine Learning Módulo 8: Trabajo con entornos de Azure Machine Learning Módulo 9: Búsqueda del mejor modelo de clasificación con aprendizaje automático automatizado Módulo 10: Seguimiento del entrenamiento de modelos en cuadernos de Jupyter Notebook con MLflow Módulo 11: Ejecución de un script de entrenamiento como un trabajo de comando en Azure Machine Learning Módulo 12: Seguimiento del entrenamiento del modelo con MLflow en trabajos Módulo 13: Ejecución de canalizaciones en Azure Machine Learning Módulo 14: Realización del ajuste de hiperparámetros con Azure Machine Learning Módulo 15: Implementación de un modelo en un punto de conexión en línea administrado Módulo 16: Implementación de un modelo en un punto de conexión por lotes