Azure Machine Learning-Pipelines: Erstellen von End-to-End-Workflows

Die Skalierung von Machine-Learning-Modellen von lokalen Experimenten auf die Produktion erfordert robuste, automatisierte Workflows. Dieser textbasierte Kurs führt Sie durch den Prozess der Strukturierung, Ausführung und Verwaltung von durchgängigen Machine Learning-Pipelines auf der Azure-Plattform. Sie erfahren, wie Sie von manuellen Skripten zu automatisierten, wiederholbaren Pipelines übergehen. Durch das Studium unserer Schritt-für-Schritt-Anleitungen und die Analyse von Konfigurationsbeispielen aus der Praxis erwerben Sie die Fähigkeiten, um sequentielle und parallele Jobs zu erstellen, Datensätze zu verwalten und Modelle effizient bereitzustellen. Was Sie lernen werden: - Verstehen Sie die grundlegenden Cloud-MLOps-Konzepte und die Azure Machine Learning-Arbeitsbereichsarchitektur. - Konfigurieren Sie Umgebungsabhängigkeiten und berechnen Sie Ziele mit der Azure CLI. - Erstellen Sie sequentielle Pipelineschritte, um die Datenvorbereitung, das Training und die Auswertung zu automatisieren. - Entwerfen Sie parallele Jobs, um große Datensätze zu verarbeiten und die Trainingszeit zu optimieren. - Registrieren und verfolgen Sie Modelle mit modernen Azure ML-Registrierungs- und Versionierungspraktiken. - Überwachen Sie Pipeline-Ausführungen und beheben Sie häufige Ausführungsfehler durch Protokollanalyse. Der Kurs beginnt mit der grundlegenden Terminologie und der Einrichtung des Arbeitsbereichs, bevor Sie durch YAML-basierte Pipelinedefinitionen und CLI-Befehle geführt werden. Sie entwickeln sich von einfachen zweistufigen Workflows zu komplexen, parallelisierten produktionsfertigen Pipelines. Dieser Kurs richtet sich an angehende ML-Ingenieure, Data Scientists und Cloud-Enthusiasten, die Azure Machine Learning noch nicht kennen. Es sind keine vorherigen Erfahrungen im Bereich Cloud Engineering erforderlich, aber ein grundlegendes Verständnis von Python ist hilfreich. Erstellen Sie noch heute strukturierte, skalierbare Cloud-Workflows.