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 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.