- Información sobre cómo establecer el modelo de lenguaje
- Hacer que los datos se puedan encontrar
- Creación de un Copilot con flujo de avisos
- Ejercicio: Creación de un copiloto personalizado que use datos propios
DP-100
Designing and Implementing a Data Science Solution on Azure
Designing and Implementing a Data Science Solution on Azure
Información del
Programa
Duración:
20 horas
Localidad:
Madrid
Modalidad:
Online direct via Teams
Fecha:
07/04/2025
Curso DP-100 Designing and Implementing a Data Science Solution on Azure
La formación DP-100 Designing and Implementing a Data Science Solution on Azure enseña a aprovechar los conocimientos existentes de Python y el aprendizaje automático para administrar la preparación de datos, la formación e implementación de modelos y la supervisión de soluciones de aprendizaje automático en Microsoft Azure.
Requisitos
Conocimientos previos de Python y experiencia en programación.
Familiaridad con frameworks de aprendizaje automático como Scikit-Learn, PyTorch o TensorFlow.
Experiencia en el desarrollo y ajuste de modelos de aprendizaje automático.
Comprensión básica de conceptos relacionados con el aprendizaje automático y la ciencia de datos.
Objetivos
Administrar la ingesta y preparación de datos a escala utilizando Azure Machine Learning.
Entrenar modelos de aprendizaje automático con Python y frameworks como Scikit-Learn, PyTorch y TensorFlow.
Implementar modelos de aprendizaje automático en la nube y supervisar su desempeño utilizando Azure Machine Learning y MLflow.
Aprovechar las capacidades avanzadas de la nube para construir soluciones de aprendizaje automático escalables y eficientes.
Temario
Modulo 1 – Exploración de recursos del área de trabajo de Azure Machine Learning
- Creación de un área de trabajo de Azure Machine Learning
- Identificación de los recursos de Azure Machine Learning
- Entrenamiento de modelos en el área de trabajo
- Ejercicio: Exploración del área de trabajo
Modulo 2 – Exploración de las herramientas de desarrollo para la interacción de áreas de trabajo
- Exploración del estudio
- Exploración del SDK de Python
- Exploración de la CLI
- Ejercicio: Exploración de las herramientas de desarrollo
Modulo 3 – Hacer que los datos estén disponibles en Azure Machine Learning
- Descripción de los URI
- Creación de un almacén de datos
- Crear un recurso de datos
- Ejercicio: Hacer que los datos estén disponibles en Azure Machine Learning
Modulo 4 – Trabajo con destinos de proceso en Azure Machine Learning
- Elección del destino de proceso adecuado
- Creación y uso de una instancia de cómputo
- Creación y uso de un clúster de proceso
- Ejercicio: Trabajo con recursos de computación
Modulo 5 – Trabajo con entornos en Azure Machine Learning
- Información sobre los entornos
- Exploración y uso de entornos seleccionados
- Creación y uso de entornos personalizados
- Ejercicio: Trabajo con entornos
Modulo 6 – Búsqueda del mejor modelo de clasificación con aprendizaje automático automatizado
- Preprocesar datos y configurar características
- Ejecución de un experimento de Machine Learning automatizado
- Evaluación y comparación de modelos
- Ejercicio: Búsqueda del mejor modelo de clasificación con Machine Learning automatizado
Modulo 7 – Seguimiento del entrenamiento de modelos en cuadernos de Jupyter Notebook con MLflow
- Configuración de MLflow para el seguimiento de modelos en cuadernos
- Entrenamiento y seguimiento de modelos en cuadernos
- Ejercicio: Seguimiento del entrenamiento del modelo
Modulo 8 – Ejecución de un script de entrenamiento como un trabajo de comando en Azure Machine Learning
- Conversión de un cuaderno en un script
- Ejecución de un script como trabajo de comando
- Uso de parámetros en un trabajo de comando
- Ejercicio: Ejecución de un script de entrenamiento como un trabajo de comando
Modulo 9 – Seguimiento del entrenamiento del modelo con MLflow en trabajos
- Realización de un seguimiento de métricas con MLflow
- Visualización de métricas y evaluación de modelos
- Ejercicio: Uso de MLflow para realizar un seguimiento de los trabajos de entrenamiento
Modulo 10 – Realización del ajuste de hiperparámetros con Azure Machine Learning
- Definición de un espacio de búsqueda
- Configuración de un método de muestreo
- Configuración de la terminación anticipada
- Uso de un proceso de barrido para el ajuste de hiperparámetros
- Ejercicio: Ejecución de un trabajo de barrido
Modulo 11 – Ejecución de canalizaciones en Azure Machine Learning
- Crear componentes
- Crear una canalización
- Ejecución de un trabajo de canalización
- Ejercicio: Ejecución de un trabajo de canalización
Modulo 12 – Registro de un modelo de MLFlow en Azure Machine Learning
- Registro de modelos con MLflow
- Descripción del formato del modelo de MLflow
- Registro de un modelo de MLflow
- Ejercicio: Registrar y catalogar modelos con MLflow
Modulo 13 – Crear y explorar el panel de inteligencia artificial responsable para un modelo en Azure Machine Learning
- Comprender la inteligencia artificial responsable
- Crear el panel de IA responsable
- Evaluación del panel de inteligencia artificial responsable
- Ejercicio: Explorar el panel de IA responsable
Modulo 14 – Implementación de un modelo en un punto de conexión en línea administrado
- Exploración de puntos de conexión en línea administrados
- Implementación de un modelo de MLflow en un punto de conexión en línea administrado
- Implementación de un modelo en un punto de conexión en línea administrado
- Prueba de puntos de conexión en línea administrados
- Ejercicio: Implementación de un modelo de MLflow en un punto de conexión en línea
Modulo 15 – Implementación de un modelo en un punto de conexión por lotes
- Descripción y creación de puntos de conexión por lotes
- Implementación del modelo de MLflow en un punto de conexión por lotes
- Implementación de un modelo personalizado en un punto de conexión por lotes
- Invocación y solución de problemas de puntos de conexión por lotes
- Ejercicio: Implementación de un modelo de MLflow en un punto de conexión por lotes
Modulo 16 – Introducción a Azure AI Foundry
- ¿Qué es Inteligencia Artificial de Azure Studio?
- Cómo funciona Inteligencia Artificial de Azure Studio
- Cuándo usar Inteligencia Artificial de Azure Studio
- Ejercicio: Explorar Inteligencia Artificial de Azure Studio
Modulo 17 – Exploración e implementación de modelos desde el catálogo de modelos en el portal de Azure AI Foundry
- Exploración de los modelos de lenguaje en el catálogo de modelos
- Implementación de un modelo en un punto de conexión
- Mejora del rendimiento de un modelo de lenguaje
- Ejercicio: Exploración, implementación y chat con modelos de lenguaje
Modulo 18 – Introducción al flujo de avisos para desarrollar aplicaciones de modelos lingüísticos en Azure AI Foundry
- Descripción del ciclo de vida del desarrollo de aplicaciones de modelos de lenguaje grande (LLM)
- Comprender los componentes principales y exploración de los tipos de flujo
- Exploración de conexiones y runtime
- Exploración de variantes y opciones de supervisión
- Ejercicio: Introducción al flujo de avisos
Modulo 19 – Creación de un agente basado en RAG con sus propios datos mediante Azure AI Foundry
Modulo 20 – Ajuste de un modelo de lenguaje con Azure AI Foundry
- Comprender cuándo optimizar un modelo de lenguaje
- Preparación de los datos para optimizar un modelo de finalización de chat
- Exploración de modelos de lenguaje de optimización de Inteligencia Artificial de Azure Studio
- Ejercicio: Ajuste de un modelo base
Modulo 21 – Evaluación del rendimiento de las aplicaciones de IA generativas con Azure AI Foundry
- Evaluación del rendimiento del modelo
- Evaluar manualmente el rendimiento de un modelo
- Evaluación del rendimiento de las aplicaciones de IA generativas
- Ejercicio: Evaluación del rendimiento de la aplicación de IA generativa
Modulo 22 – Inteligencia artificial generativa responsable
- Planeamiento de una solución de inteligencia artificial generativa responsable
- Identificación de daños posibles
- Medición de daños posibles
- Mitigación de daños posibles
- Operación de una solución de inteligencia artificial generativa responsable
- Ejercicio: Exploración de filtros de contenido en Inteligencia Artificial de Azure Studio
