Kursüberblick
Was Sie in diesem Kurs mitnehmen
Azure Machine Learning von A bis Z: Arbeitsbereichs-Setup, Datenvorbereitung, Modelltraining, Hyperparameter-Optimierung und Deployment von ML-Modellen in der Produktion.
Azure MLPythonAutoMLMLflowPipelinesResponsible AI
Kursinhalte
Themen & Module
Azure Machine Learning Workspace
Einrichten von Arbeitsbereichen und Compute-Ressourcen, Azure ML Studio, SDK v2 und CLI v2, Datenspeicher und Datasets registrieren.
Datenvorbereitung & Feature Engineering
Daten aus verschiedenen Quellen laden und transformieren. Datenbereinigung und Feature Engineering mit Python. MLflow-Tracking für Experimente.
Modelltraining & Hyperparameter-Tuning
Training klassischer ML-Modelle (Scikit-learn) und neuronaler Netze. Automated ML (AutoML). Hyperparameter-Sweeps mit Azure ML. Modellbewertung und Vergleich.
Deployment & MLOps-Grundlagen
Registrieren und Versionieren von Modellen. Online- und Batch-Inferenz-Endpunkte. Grundlagen von ML-Pipelines. Responsible AI: Erklärbarkeit, Fairness und Monitoring.
Zielgruppe & Voraussetzungen
Für wen ist dieser Kurs?
DP-100 richtet sich an Data Scientists und ML Engineers mit Python-Grundkenntnissen. Empfohlen: Kenntnisse in Python (NumPy, Pandas, Scikit-learn) sowie Azure-Grundkenntnisse (idealerweise AZ-900). Vorbereitung auf die Prüfung DP-100 (Azure Data Scientist Associate).