DP-3007
Train and deploy a machine learning model with Azure Machine Learning
Train and deploy a machine learning model with Azure Machine Learning
Información del
Programa
Duración:
5 horas
Localidad:
Madrid
Modalidad:
Online direct via Teams
Fecha:
06/05/2025
Curso DP-3007 Train and deploy a machine learning model with Azure Machine Learning
Para desarrollar un modelo de Aprendizaje Automático utilizando Azure Machine Learning, es crucial garantizar la disponibilidad de los datos y configurar los procesos requeridos. Una vez que el modelo ha sido entrenado y se han registrado las métricas pertinentes utilizando MLflow, se puede considerar la implementación del modelo en un servicio en línea para realizar predicciones en tiempo real. Durante este proceso de aprendizaje, se explorará la configuración del espacio de trabajo en Azure Machine Learning, seguido por la fase de entrenamiento y posterior implementación de un modelo de Aprendizaje Automático.
Objetivos
Explorar cómo configurar un área de trabajo en Azure Machine Learning para gestionar el ciclo de vida de un modelo de Machine Learning.
Preparar y disponibilizar los datos necesarios para el entrenamiento del modelo.
Configurar y realizar el entrenamiento de un modelo de Machine Learning utilizando Azure Machine Learning.
Realizar el seguimiento de métricas del modelo con MLflow para evaluar su rendimiento
Implementar el modelo entrenado en un punto de conexión en línea para habilitar predicciones en tiempo real.
Administrar y supervisar modelos implementados para asegurar su funcionalidad y precisión.
Temario
Modulo 1 – 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 2 – Trabajo con destinos de proceso en Azure Machine Learning
- Elección del destino de proceso adecuado
- Creación y uso de una instancia de proceso
- Creación y uso de un clúster de proceso
- Ejercicio: Trabajo con recursos de proceso
Modulo 3 – Trabajo con entornos en Azure Machine Learning
- Información sobre los entornos
- Exploración y uso de entornos mantenidos
- Creación y uso de entornos personalizados
- Ejercicio: Trabajo con entornos
Modulo 4 – 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 5 – 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 6 – Registro de un modelo de MLFlow en Azure Machine Learning
- Registro de modelos con MLflow
- Descripción del formato de modelos de MLflow
- Registro de un modelo de MLflow
- Ejercicio: registro de modelos con MLflow
Modulo 7 – 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
