Хмарна аналітика Big Data за допомогою машинного навчання в Azure

Модуль 1: Введення в машинне навчанняЦей модуль розповідає про можливості машинного навчання, які використовуються алгоритми і мовами.Теми        

• Що таке машинне навчання?
• Введення в алгоритми машинного навчання
• Введення в мови машинного навчання

 Лабораторна робота: Введення в машинне навчання

• Реєстрація в Azure
• Тестування роботи
• Оцінка роботи

 Модуль 2: Введення в машинне навчання AzureЦей модуль описує цілі машинного навчання Azure і перераховує головні особливості студії машинного навчання Azure (Azure Machine Learning Studio).Теми

• Огляд машинного навчання Azure
• Введення в Azure Machine Learning Studio
• Розробка і розміщення додатків машинного навчання Azure

 Лабораторна робота: Введення в машинне навчання Azure

• Вивчення Azure Machine Learning Studio
• Клонування і запуск простого експерименту
• Клонування експерименту, внесення простих змін і повторний запуск

 Модуль 3: Робота з наборами данихЦей модуль описує, як завантажити і досліджувати різні типи даних в машинному навчанні Azure.Теми

• Класифікація даних
• Імпорт даних для машинного навчання Azure
• Дослідження і перетворення даних в машинному навчанні Azure

 Лабораторна робота: Візуалізація даних

• Підготовка бази даних SQL Azure
• Імпорт даних
• Візуалізація даних
• Підсумовування даних.

 Модуль 4: Підготовка даних для використання машинного навчання AzureЦей модуль описує методи підготовки наборів даних для використання машинного навчання Azure.Теми

• Попередня обробка даних
• Обробки неповних даних

 Лабораторна робота: Підготовка даних для використання машинного навчання Azure

• Огляд даних за допомогою Power BI
• Зачистка даних

Модуль 5: Використання засобів конструювання і вибіркиЦей модуль описує як використовувати засоби конструювання і вибору в наборах даних, які будуть використовуватися в машинному навчанні Azure.Теми

• Використання компонент конструювання
• Використання компонент вибору

 Лабораторна робота: Використання засобів конструювання і вибірки

• Злиття наборів даних
• Використовувати PCA для зниження вимірювань
• Вибір змінних і редагування метаданих

 Модуль 6: Побудова моделей машинного навчання AzureЦей модуль пояснює як використовувати регресивні алгоритми і нейронні мережі в середовищі машинного навчання Azure.Теми

• Процеси машинного навчання Azure
• Оцінка і застосування моделей
• Застосування регресійних алгоритмів
• Використання нейронних мереж

 Лабораторна робота: Побудова моделей машинного навчання Azure

• Використання модуля Azure machine learning Studio для підключення регресії
• Оцінки моделей машинного навчання
• Додавання додаткових регресійних моделей
• Створення і запуск додатків з алгоритмами нейронних мереж

 Модуль 7: Класифікація і кластеризація в моделях машинного навчання AzureУ цьому модулі, ви навчитеся використовувати алгоритми класифікації та кластеризації в моделях машинного навчання Azure.Теми

• Алгоритми класифікації
• Методи кластеризації
• Вибір алгоритмів

 Лабораторна робота: Класифікація і кластеризація в моделях машинного навчання Azure

• Використання модулів Azure machine learning Studio для класифікації
• Додати розділ К-середнього в експеримент
• Додати PCA для виявлення аномалій.
• Аналіз моделей

 Модуль 8: Використання R і Python в машинному навчанні AzureЦей модуль описує як використовувати переваги R і Python в машинному навчанні Azure.ТемиВикористання R

• Використання Python
• Використання блокнотів Jupyter
• Підтримка R і Python

 Лабораторна робота: Використання R і Python в машинному навчанні Azure

• Додавання скриптів на R і Python
• Використання Python в інтегрованому середовищі розробки Visual Studio
• Додавання блокнота Jupyter
• Запуск блокнота Jupyter
• Імпорт пакетів для R / Python
• Візуалізація даних за допомогою R / Python
• Програмування на R для роботи на основі часових рядів

 Модуль 9: Ініціалізація та оптимізація моделей машинного навчанняЦей модуль описує, як використовувати гіпер-параметри, різних алгоритми і моделі для оптимізації завдань.Теми

• Використання гіпер-параметрів
• Використання декількох алгоритмів і моделей
• Порівняння і оцінка ансамблю

Лабораторна робота: Ініціалізація та оптимізація моделей машинного навчання

• Використання гіпер-параметрів
• Побудова ансамблю за допомогою стека
• Оцінка ансамблю

 Модуль 10: Використання моделей машинного навчання AzureЦей модуль пояснює, як надати кінцевим користувачам доступ до сервісу і даними результатів роботи моделей машинного навчання Azure.Теми

• Розгортання і публікації моделей
• Експорт даних

 Лабораторна робота: Використання моделей машинного навчання Azure

• Розгортання моделей машинного навчання
• Використання опублікованих моделей
• Експорт даних
• Використовувати експортовані дані в моделі машинного навчання

 Модуль 11: Використання когнітивних службЦей модуль пояснює, як працюють API когнітивних служб для обробки тексту і зображень, створюються рекомендації і використовуються нейронні мережі в рамках машинного навчання Azure.Теми

• Огляд когнітивних служб
• Обробка тексту
• Обробка зображень
• Створення рекомендацій

 Лабораторна робота: Використання когнітивних служб

• Створення і запуск програми обробки тексту
• Створення і запуск програми для обробки зображень
• Створення і запуск програми з рекомендацією

 Модуль 12: Використання машинного навчання з HDInsightУ цьому модулі розказано, як використовувати HDInsight в машинному навчанні Azure.Теми

• Введення в HDInsight
• Типи кластерів HDInsight
• HDInsight і моделі машинного навчання

 Лабораторна робота: Використання машинного навчання з HDInsight

• Розгортання кластеру HDInsight
• Використання кластера HDInsight
• Відображення даних в Power BI

 Модуль 13: Використання R-сервісів машинного навчанняЦей модуль пояснює як використовувати мову R і сервер R з моделями машинного навчання Azure, як розгорнути і налаштувати SQL Server і підтримувати служби R.Теми

• Огляд R і сервера R
• Використання сервера R в моделях машинного навчання
• Використання R з SQL Server

 Лабораторна робота: Використання R-сервісів машинного навчання

• Розгортання DSVM
• Наука про дані у віртуальній машині
• Налаштування сервера R
• Запуск зразка програми сервера R
• Розгортання SQL Server 2016 віртуальній машині Azure
• Налаштування SQL Server для вирішення виконання сценаріїв R
• Виконання скриптів R всередині виразів Т-SQL
• Використання R для візуалізації даних

Для ефективного навчання на курсі слухачі повинні володіти такими знаннями і навичками:

• Досвід програмування на R і знання поширених пакетів R
• Знання загальних статистичних методів аналізу даних і кращих практик.
• Основні відомості про операційних системах Microsoft Windows.
• Досвід роботи з реляційними базами даних.