Designing and Implementing a Data Science Solution on Azure (DP-100)

Apresentação

Neste curso de Data Science em Azure, os profissionais aprenderão a operar soluções de machine learning em larga escala na cloud utilizando o Azure Machine Learning. O curso capacita os participantes a aplicar os seus conhecimentos existentes em Python e machine learning para gerir a ingestão e preparação de dados, treino e implementação de modelos, bem como monitorizar soluções de machine learning na plataforma Microsoft Azure.

Enquadramento

A ciência de dados é uma área que se encontra em constante evolução, especialmente com o crescente uso de plataformas de cloud computing. A Microsoft Azure, com sua robustez e ferramentas especializadas, oferece uma infraestrutura ideal para implementar soluções de machine learning em grande escala. Este curso visa preparar os profissionais para aproveitar o poder do Azure Machine Learning na criação, treino e implementação de modelos de machine learning de forma eficiente e escalável.

Destinatários

Este curso é direcionado a cientistas de dados com conhecimentos prévios em Python e frameworks de machine learning como Scikit-Learn, PyTorch e TensorFlow, que desejam criar e operar soluções de machine learning na cloud.

Pré-requisitos

Os candidatos devem possuir conhecimentos fundamentais sobre conceitos de computação em nuvem, bem como experiência em ciência de dados e técnicas comuns de machine learning. Especificamente:

– Criação de recursos na plataforma Microsoft Azure.
Utilização de Python para explorar e visualizar dados.
– Treinamento e validação de modelos de machine learning com frameworks como
– Scikit-Learn, PyTorch e TensorFlow.
– Trabalhar com containers.

Objetivo Geral

O objetivo principal deste curso é fornecer as competências necessárias para que os profissionais da área de ciência de dados possam desenvolver, treinar, implementar e monitorizar soluções de machine learning utilizando a plataforma Azure, aplicando os conceitos de machine learning de maneira eficaz em ambientes de produção.

Objetivos Específicos

Ao finalizar o curso, os participantes serão capazes de:

1. Configurar e gerir um workspace do Azure Machine Learning, utilizando as ferramentas da plataforma para o treino e implementação de modelos.
2. Utilizar recursos como o Azure Machine Learning Designer e o Machine Learning Automatizado para desenvolver modelos de machine learning sem a necessidade de escrever código.
3. Implementar e monitorizar experimentos, criando pipelines para orquestrar workflows de machine learning de forma automatizada.
4. Trabalhar com dados, datastores e datasets, otimizando a utilização de dados no treino e na avaliação de modelos.
5. Gerir recursos computacionais na cloud, aproveitando o poder de processamento do Azure para escalar o treino e a implementação de modelos de machine learning.
6. Aplicar técnicas de hyperparâmetro tuning e machine learning automatizado para otimizar modelos de acordo com os dados específicos.
7. Implementar práticas de machine learning responsável, incluindo privacidade, transparência e mitigação de preconceitos, garantindo um uso ético dos dados.
8. Monitorizar modelos em produção, utilizando ferramentas como o Application Insights para detectar mudanças no comportamento do modelo e realizar ajustes conforme necessário.

Programa

Módulo 1: Introdução ao Azure Machine Learning

Neste módulo, aprenderá a configurar um workspace do Azure Machine Learning e a usar ferramentas como o SDK do Azure Machine Learning, Visual Studio Code e Jupyter Notebooks para trabalhar com os recursos do workspace.

Módulo 2: Machine Learning sem Código

Este módulo apresenta as ferramentas de Machine Learning Automatizado e Designer, que permitem treinar, avaliar e implementar modelos sem escrever código.

Módulo 3: Executando Experimentos e Treinamento de Modelos
Neste módulo, aprenderá a realizar experimentos para processar dados e treinar modelos de machine learning.

Módulo 4: Trabalhando com Dados

Aprenderá a criar e gerir datastores e datasets em um workspace do Azure Machine Learning, e a utilizá-los para treinar modelos.

Módulo 5: Trabalhando com Compute

Neste módulo, aprenderá a gerir ambientes de experimentos e a criar e usar recursos de computação.

Módulo 6: Orquestrando Operações com Pipelines

Aprenderá a criar pipelines para automatizar fluxos de trabalho de machine learning e a publicá-los e executá-los no Azure.

Módulo 7: Implementação e Consumo de Modelos

Este módulo ensina como implementar modelos para inferência em tempo real e em batch.

Módulo 8: Treinamento de Modelos Ótimos

Explorará técnicas de ajuste de hiperparâmetros e machine learning automatizado para encontrar o melhor modelo para os seus dados.

Módulo 9: Machine Learning Responsável

Este módulo discute princípios de machine learning responsável, incluindo privacidade diferencial, interpretabilidade de modelos e a mitigação de preconceitos.

Módulo 10: Monitorização de Modelos

Aprenderá a monitorizar modelos implementados e a detectar degradação de performance devido a mudanças nos dados (data drift).