In diesem Modul werden die in Microsoft Azure verfügbaren Tools für maschinelles Lernen vorgestellt. Es befasst sich dann mit standardisierten Ansätzen, die entwickelt wurden, um Datenanalyseprojekte zum Erfolg zu führen. Schließlich erhalten Sie eine konkrete Anleitung für den Team Data Science-Ansatz von Microsoft, der die Rollen und Aufgaben im Rahmen dieses Prozesses umfasst. Die Übung am Ende dieser Lektion verweist Sie auf die Dokumentation von Microsoft, um diesen Prozess in ihrer DevOps-Lösung zu implementieren, falls Sie noch keine eigene haben.

Dieses Modul führt Sie in die vortrainierten und verwalteten maschinellen Lernverfahren von Microsoft ein, die als REST-APIs in der Suite der kognitiven Dienste angeboten werden. Wir implementieren insbesondere Lösungen, die die Computer Vision API und die Gesichtserkennungs-API verwenden, und führen eine Stimmungsanalyse durch, indem wir den Dienst für natürliche Sprache aufrufen.

Dieses Modul macht Sie mit den Möglichkeiten des Azure Machine Learning Service vertraut. Wir untersuchen, wie Sie einen ML-Arbeitsbereich erstellen und referenzieren. Anschließend sprechen wir darüber, wie Sie mit dem Azure ML Service ein Machine Learning-Modell trainieren. Wir sprechen über den Zweck und die Rolle von Experimenten, Läufen und Modellen. Schließlich sprechen wir über die Azure-Ressourcen, mit denen Sie Ihre Modelle für maschinelles Lernen trainieren können. Zu den Übungen in dieser Lektion gehören das Erstellen eines Arbeitsbereichs, das Erstellen eines Rechenziels und das Ausführen eines Trainingslaufs mit dem Azure ML Service.

In diesem Modul erfahren Sie, wie Sie eine Verbindung zu Ihrem Arbeitsbereich herstellen. Als nächstes besprechen wir, wie die Modellregistrierung funktioniert und wie Sie ein trainiertes Modell lokal und aus einem Trainingslauf im Arbeitsbereich registrieren. Darüber hinaus zeigen wir Ihnen die Schritte zur Vorbereitung eines Modells für die Bereitstellung, einschließlich der Identifizierung von Abhängigkeiten, der Konfiguration eines Bereitstellungsziels und der Erstellung eines Container-Images. Schließlich stellen wir ein trainiertes Modell als Webservice bereit und testen es, indem wir JSON-Objekte an die API senden.