MOC DP 100 - Designing and Implementing a Data Science Solution on Azure
Nel corso DP 100 - Progettazione e Implementazione di una Soluzione di Data Science su Azure, gli studenti acquisiscono competenze nella gestione di soluzioni di machine learning attraverso l’utilizzo di Azure Machine Learning. Inoltre, imparano a sfruttare le proprie competenze esistenti in Python e machine learning per gestire attività quali l’acquisizione e la preparazione dei dati, la formazione e la distribuzione dei modelli, nonché il monitoraggio delle soluzioni di machine learning sia su Microsoft Azure che su Azure Databricks.
Questo corso aiuta gli allievi nella preparazione dell’esame di certificazione Microsoft DP-100 Designing and Implementing a Data Science Solution on Azure.
Questo corso è erogato in collaborazione con Pipeline Srl, Microsoft Learning Partner, centro autorizzato all’erogazione di corsi ufficiali Microsoft.
Microsoft
Big Data
Databricks
Machine Learning
Cosa imparerai
- Progettare una soluzione di ingestione dei dati per i dati di formazione utilizzati nei progetti di apprendimento automatico
- Progettare una soluzione di formazione dei modelli per progetti di apprendimento automatico
- Capire come verrà consumato un modello
- Decidere se distribuire il modello a un endpoint in tempo reale o in batch
- Creare un’area di lavoro Azure Machine Learning
- Identificare le risorse e gli asset
- Addestrare i modelli nell’area di lavoro
- Interagire con l’area di lavoro Azure Machine Learning
- Lavorare con gli URI (Uniform Resource Identifier)
- Creare e utilizzare i datastore
- Creare e utilizzare risorse di dati
- Scegliere il target di calcolo appropriato
- Creare e utilizzare un’istanza di calcolo
- Creare e utilizzare un cluster di calcolo
- Utilizzare gli ambienti di Azure Machine Learning per eseguire script su qualsiasi target di calcolo
- Trovare il miglior modello di classificazione con l’apprendimento automatico (AutoML)
- Usare MLflow per il tracciamento dei modelli quando si sperimenta nei notebook
- Convertire il codice in uno script ed eseguirlo come job di comando in Azure Machine Learning
- Tracciare l’addestramento del modello con MLflow nei job durante l’esecuzione degli script
- Creare e utilizzare componenti per costruire pipeline in Azure Machine Learning
- Eseguire la regolazione degli iperparametri con un lavoro di sweep in Azure Machine Learning
- Distribuire i modelli a un endpoint online gestito per l’inferenza in tempo reale
- Distribuire i modelli a un endpoint batch
- Lavorare con i dati in Azure Databricks
- Addestrare un modello di apprendimento automatico con Azure Databricks
- Utilizzare MLflow per tenere traccia delle esecuzioni degli esperimenti e delle metriche
- Gestire i modelli di apprendimento automatico in Azure Databricks
- Eseguire gli esperimenti di Azure Databricks in Azure Machine Learning
- Distribuire i modelli addestrati negli endpoint di Azure Machine Learning
Esplorare e configurare lo spazio di lavoro di Azure Machine Learning
- Esplorare le risorse e gli asset dello spazio di lavoro di Azure Machine Learning
- Esplorare gli strumenti per sviluppatori per l’interazione con lo spazio di lavoro
- Rendere disponibili i dati in Azure Machine Learning
- Lavorare con i target di calcolo in Azure Machine Learning
- Lavorare con gli ambienti in Azure Machine Learning
Sperimentare con Azure Machine Learning
- Trovare il miglior modello di classificazione con Automated Machine Learning
- Monitorare l’addestramento del modello nei notebook Jupyter con MLflow
Ottimizzare l’addestramento del modello con Azure Machine Learning
- Eseguire uno script di addestramento come job di comando in Azure Machine Learning
- Monitorare l’addestramento del modello con MLflow nei job
- Eseguire il tuning degli iperparametri con Azure Machine Learning
- Eseguire pipeline in Azure Machine Learning
Gestire e revisionare i modelli in Azure Machine Learning
- Registrare un modello MLflow in Azure Machine Learning
- Creare ed esplorare la dashboard Responsible AI per un modello in Azure Machine Learning
Distribuire e utilizzare modelli con Azure Machine Learning
- Distribuire un modello su un endpoint online gestito
- Distribuire un modello su un endpoint batch
Sviluppare app di intelligenza artificiale generativa nel portale Azure AI Foundry
- Pianificare e prepararsi per sviluppare soluzioni di intelligenza artificiale su Azure
- Esplorare e distribuire modelli dal catalogo modelli nel portale Azure AI Foundry
- Sviluppare un’app di intelligenza artificiale con l’SDK di Azure AI Foundry
- Iniziare con Prompt Flow per sviluppare app basate su modelli linguistici in Azure AI Foundry
- Creare un agente basato su RAG con i propri dati utilizzando Azure AI Foundry
- Eseguire il fine-tuning di un modello linguistico con Azure AI Foundry
- Valutare le prestazioni delle app di intelligenza artificiale generativa con Azure AI Foundry
- Intelligenza artificiale generativa responsabile
- Conoscenza basilare di Azure che si può ottenere frequentando il corso AZ-900 – Azure Fundamentals;
- esperienza di scrittura di codice Python per lavorare con i dati, utilizzando librerie come Numpy, Pandas e Matplotlib;
- comprensione della scienza dei dati (incluso come preparare i dati e formare modelli di machine learning), usando le comuni librerie di machine learning come Scikit-Learn, PyTorch o Tensorflow.
- Data scientist
- Documentazione didattica ufficiale Microsoft Learn accessibile online, senza limiti di tempo;
- Ambiente di laboratorio con macchine virtuali accessibili da remoto;
- Attestato di frequenza inviato via e-mail entro una settimana dal termine del corso;
- Possibilità di ottenere il Badge ufficiale Microsoft relativo al corso
Esplorare e configurare lo spazio di lavoro di Azure Machine Learning
- Esplorare le risorse e gli asset dello spazio di lavoro di Azure Machine Learning
- Esplorare gli strumenti per sviluppatori per l’interazione con lo spazio di lavoro
- Rendere disponibili i dati in Azure Machine Learning
- Lavorare con i target di calcolo in Azure Machine Learning
- Lavorare con gli ambienti in Azure Machine Learning
Sperimentare con Azure Machine Learning
- Trovare il miglior modello di classificazione con Automated Machine Learning
- Monitorare l’addestramento del modello nei notebook Jupyter con MLflow
Ottimizzare l’addestramento del modello con Azure Machine Learning
- Eseguire uno script di addestramento come job di comando in Azure Machine Learning
- Monitorare l’addestramento del modello con MLflow nei job
- Eseguire il tuning degli iperparametri con Azure Machine Learning
- Eseguire pipeline in Azure Machine Learning
Gestire e revisionare i modelli in Azure Machine Learning
- Registrare un modello MLflow in Azure Machine Learning
- Creare ed esplorare la dashboard Responsible AI per un modello in Azure Machine Learning
Distribuire e utilizzare modelli con Azure Machine Learning
- Distribuire un modello su un endpoint online gestito
- Distribuire un modello su un endpoint batch
Sviluppare app di intelligenza artificiale generativa nel portale Azure AI Foundry
- Pianificare e prepararsi per sviluppare soluzioni di intelligenza artificiale su Azure
- Esplorare e distribuire modelli dal catalogo modelli nel portale Azure AI Foundry
- Sviluppare un’app di intelligenza artificiale con l’SDK di Azure AI Foundry
- Iniziare con Prompt Flow per sviluppare app basate su modelli linguistici in Azure AI Foundry
- Creare un agente basato su RAG con i propri dati utilizzando Azure AI Foundry
- Eseguire il fine-tuning di un modello linguistico con Azure AI Foundry
- Valutare le prestazioni delle app di intelligenza artificiale generativa con Azure AI Foundry
- Intelligenza artificiale generativa responsabile
- Conoscenza basilare di Azure che si può ottenere frequentando il corso AZ-900 – Azure Fundamentals;
- esperienza di scrittura di codice Python per lavorare con i dati, utilizzando librerie come Numpy, Pandas e Matplotlib;
- comprensione della scienza dei dati (incluso come preparare i dati e formare modelli di machine learning), usando le comuni librerie di machine learning come Scikit-Learn, PyTorch o Tensorflow.
- Data scientist
- Documentazione didattica ufficiale Microsoft Learn accessibile online, senza limiti di tempo;
- Ambiente di laboratorio con macchine virtuali accessibili da remoto;
- Attestato di frequenza inviato via e-mail entro una settimana dal termine del corso;
- Possibilità di ottenere il Badge ufficiale Microsoft relativo al corso
F.A.Q.
La durata dei corsi a calendario varia in base al programma: può essere di mezza giornata fino a un massimo di 5 giornate. In base al corso scelto, il calendario dettagliato ti sarà sempre fornito al momento dell’iscrizione.
I corsi si svolgono generalmente dalle 9:00 alle 17:00, con una pausa pranzo dalle 13:00 alle 14:00.
Nei corsi di 5 giornate, l’ultimo giorno (venerdì) termina alle 13:00.
Attualmente tutti i corsi a calendario si svolgono in Aula Virtuale, con docente in diretta e possibilità di interazione con altri partecipanti, replicando l’esperienza di un corso in presenza.
Sì, tutti i corsi in aula sono erogati in lingua italiana, salvo eccezioni esplicitamente indicate.
Per i corsi in modalità e-learning (self-study), la maggior parte dei contenuti è in lingua inglese.
Al termine del corso a calendario viene fornito un attestato di partecipazione digitale, confermando il completamento del percorso formativo e la partecipazione attiva alle sessioni.