Operationalisieren von Maschinellem Lernen und generativen KI-Lösungen

Mit Azure Machine Learning experimentieren

• Vorbereiten Ihrer Daten für die Verwendung von AutoML für die Klassifizierung.
• Konfigurieren und Ausführen eines AutoML-Experiments.
• Auswerten und Vergleichen von AutoML-Modellen.
• Konfigurieren von MLflow für die Modellverfolgung in Notizbüchern.
• Verwenden von MLflow für die Modellverfolgung in Notizbüchern.
• Bewerten eines trainiertes Modell mithilfe des verantwortungsvollen KI-Dashboards.

Durchführen der Hyperparameteroptimierung mit Azure Machine Learning

• Definieren eines Hyperparameter-Suchbereiches.
• Konfigurieren von Hyperparameter-Sampling.
• Auswählen einer Richtlinie für vorzeitige Beendigung.
• Ausführen eines Sweepauftrages

Ausführen von Pipelines in Azure Machine Learning

• Erstellen von Komponenten.
• Erstellen einer Azure Machine Learning-Pipeline.
• Ausführen einer Azure Machine Learning-Pipeline.

Auslösen von Azure Machine Learning-Aufträgen mit GitHub-Aktionen

• Erstellen eines Dienstprinzipal und Zuweisen der erforderlichen Berechtigungen, um einen Azure Machine Learning-Auftrag auszuführen.
• Sicheres Speichern von Azure-Anmeldeinformationen mithilfe von Geheimnissen in GitHub Secrets.
• Erstellen einer GitHub Actions-Instanz mit YAML, die die gespeicherten Azure-Anmeldeinformationen verwendet, um einen Azure Machine Learning-Auftrag auszuführen.

Auslösen von GitHub-Aktionen mit featurebasierter Entwicklung

• Arbeiten mit der featurebasierten Entwicklung
• Schützen des Mainbranchs
• Auslösen eines GitHub Actions-Workflows durch Mergen eines Pull Requests

Arbeiten mit Umgebungen in GitHub-Aktionen

• Richten Sie Umgebungen in GitHub ein.
• Verwenden von Umgebungen in GitHub Actions
• Hinzufügen von Genehmigungsgates, um erforderliche Reviewer zuzuweisen, bevor Sie das Modell in die nächste Umgebung verschieben

Bereitstellen eines Modells mit GitHub-Aktionen

• Bereitstellen eines Modells auf einem verwalteten Endpunkt
• Auslösen einer Modellimplementierung mit GitHub Actions.
• Testen des bereitgestellten Modells

Dieser Kurs richtet sich an Data Scientists, Machine Learning-Ingenieure und DevOps-Experten, die KI-Lösungen auf Produktionsniveau auf Azure entwerfen und betreiben möchten. 

Der Kurs eignet sich für Lernende mit Erfahrungen in Python, einem grundlegenden Verständnis von Machine Learning-Konzepten und grundlegenden Kenntnissen mit DevOps-Praktiken wie Quellcodeverwaltung, CI/CD und Befehlszeilentools, die sich auf die Implementierung von MLOps- und GenAIOps-Workflows mit Azure nativen Diensten vorbereiten.

Dieser Kurs bereitetb auf die Zertifizierung zum MLOps Engineer Associate (AI-300) vor.

Im Kurspreis enthalten sind:
• Die Original Microsoft Schulungsunterlagen in englischer Sprache und digitaler Form
• Pausenversorgung bei Präsenztraining: Getränke, Gebäck, und ein Mittagessen

Gerne führen wir dieses Training auch als Inhouse-Seminar durch. Fordern Sie Ihr individuelles Angebot an.

Der Kurs wird in deutscher und englischer Sprache angeboten.